CompleteInst:一个高效的实例分段网络,用于错过自动驾驶的检测场景.

科学领域:

• 计算机视觉 计算机视觉
• 自主驾驶系统 自主驾驶系统

背景情况:

• 实例细分对于自动驾驶至关重要,它可以实现对象区分和像素级理解.
• 错过的检测仍然是当前实例细分模型的一个重大挑战.

研究的目的:

• 提出CompleteInst,一种新的网络架构,旨在减轻实例分割中错过的检测.
• 通过增强对象识别来提高自动驾驶系统的性能.

主要方法:

• 引入了全球金字塔网络 (GPN),用于在功能层面收集错过实例的全球信息.
• 开发了一个语义分支来完成错过实例的语义特征.
• 实现了基于查询的最佳运输赋值 (OTA-Query),以在实例级改进积极样本分配.
• 设计了与QueryInst的监督机制兼容的并行语义和实例级分支.

主要成果:

• 在Cityscapes上,CompleteInst实现了56.7%的召回率,在COCO上达到54.2%的召回率.
• 与基线相比,表现有3.5%和3.2%的性能改善.
• 拟议的平行结构的性能优于非平行替代品.

结论:

• CompleteInst有效地减少了实例细分任务中错过的检测.
• 新的功能和实例级策略有助于在自动驾驶应用中实现卓越的性能.
• 平行设计提高了效率和与现有框架的兼容性.