Core Concepts
Die Methode CenterDisks ermöglicht eine Echtzeit-Instanzsegmentierung durch die Verwendung von Scheiben zur Abdeckung von Objekten.
Abstract
Die Methode CenterDisks zielt darauf ab, die Genauigkeit von Instanzsegmentierungsmethoden zu verbessern, ohne die Geschwindigkeit zu beeinträchtigen. Inspiriert vom Set-Cover-Problem, verwendet sie Scheiben, um Objekte zu approximieren. Die Methode erreicht Spitzenwerte auf den IDD- und KITTI-Datensätzen und bietet eine Echtzeit-Inferenzzeit von 0,040 s auf einer einzelnen RTX 3090 GPU. Die Methode erfordert keine benutzerdefinierten Ground-Truths und optimiert die Überlappung durch Deep Learning. Die Architektur basiert auf CenterNet und verwendet verschiedene Vorhersageköpfe für Zentren und Radien der Scheiben.
INTRODUCTION
Intelligente Fahrzeuge erfordern präzise Objekterkennung in Echtzeit.
Tiefe Lernmodelle sind ressourcenintensiv aufgrund großer Parameteranzahlen.
METHOD
Verwendung von Scheiben zur Approximation von Objekten.
Prognose von Scheibenradien durch Deep Learning.
EXPERIMENTS
Evaluation auf Cityscapes, IDD und KITTI Datensätzen.
Verbesserung der AP und AP50% Metriken im Vergleich zu bestehenden Methoden.
RESULTS
Verbesserte Leistung auf IDD und KITTI Datensätzen.
Herausforderungen bei der Segmentierung kleiner Objekte und feiner Details.
Stats
Unsere Methode erreicht eine Inferenzzeit von 0,040 s auf einer einzelnen RTX 3090 GPU.
Quotes
"Unsere Methode erreicht Spitzenwerte auf den IDD- und KITTI-Datensätzen."