Core Concepts
提案したA-YOLOMモデルは、物体検出、走行可能領域セグメンテーション、車線線セグメンテーションの3つのタスクを同時に効率的に処理できる。特に、適応的な特徴結合モジュールと軽量なセグメンテーションヘッドにより、汎用性と実時間性を両立している。
Abstract
本研究では、自動運転に必要な3つのタスク(物体検出、走行可能領域セグメンテーション、車線線セグメンテーション)を同時に処理できる適応的で軽量なリアルタイムの多タスクモデルA-YOLOMを提案した。
主な特徴は以下の通り:
適応的な特徴結合モジュールを導入し、セグメンテーションネックの設計を自動化することで、モデルの汎用性を高めた。
セグメンテーションヘッドを単純な畳み込み層のみで構成することで、パラメータ数を大幅に削減し、高速化を実現した。
同一タイプのタスクに対して共通の損失関数を使用することで、モデルの一般化性を向上させた。
BDD100Kデータセットでの評価実験では、既存の多タスクモデルと比較して、高精度かつ高速な推論を実現した。特に、リアルワールドのデータセットでも優れた性能を示した。
以上のように、提案手法は自動運転システムに必要な高精度、軽量、リアルタイム性を兼ね備えた汎用的な多タスクモデルである。
Stats
物体検出のmAP50は81.1%
走行可能領域セグメンテーションのmIoUは91.0%
車線線セグメンテーションのIoUは28.8%