相关实验视频
Updated: Jan 14, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
732
一个细分网络,通过跳过连接和自适应权重来增强自动驾驶场景的理解
Jiayao Li1, Chak Fong Cheang2,3,4, Xiaoyuan Yu1
1School of Computer Science and Engineering, Faculty of Innovation Engineering, Macau University of Science and Technology, Taipa, Macao Special Administrative Region, China.
Scientific reports
|October 21, 2025
概括
本研究介绍了SUSC-SNet,这是一个用于自动驾驶的新型语义细分网络. 它提高了路边的准确性和对象分类,增强了对更安全的自动驾驶汽车的场景理解.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 自主系统 自主系统
背景情况:
- 准确的语义细分对于自动驾驶的感知至关重要.
- 目前的算法在路边轮,部分对象错误分类和小对象细分等问题上扎.
研究的目的:
- 提出一个新的语义细分网络,SUSC-SNet,以解决自动驾驶场景理解的现有挑战.
- 为了提高识别道路,人行道和植被等元素的准确性和效率.
主要方法:
- 开发了SUSC-SNet,包括一个跳过连接模块 (SCM) 功能融合和多分支融合 (MFM) 和双分支融合 (DBFM) 模块的适应性.
- SCM利用密集的跳过连接来进行聚合的语义扩展.
- 为了提高灵活性,MFM和DBFM采用加权聚变.
主要成果:
- 在公共自动驾驶数据集上,SUSC-SNet表现出更好的性能.
- 实现了0.67%和0.9%的平均交叉与联合 (mIoU) 的增加.
- 平均类精度 (mAcc) 分别提高了0.95%和0.67%,展示了卓越的细分能力.
结论:
- SUSC-SNet为自动驾驶的语义细分提供了显著的改进.
- 该网络表现出效率,稳定性和广泛适用性.
- 拟议的模块增强了特征表示和融合,以更好地理解场景.
