机构名称：
¥ 1.0
摘要 - 卷积神经网络（CNN）可成功地用于重要的汽车视觉感知任务，包括对象识别，运动和深度估计，视觉猛击等。但是，这些任务通常是独立探索和建模的。在本文中，我们提出了一个联合多任务网络设计，用于同时学习多个任务。我们的主要动机是通过在所有任务之间共享昂贵的初始卷积层来实现的计算效率。的确，自动驾驶系统中的主要瓶颈是部署硬件可用的有限处理能力。也有一些证据表明，在提高某些任务和缓解发展工作的准确性方面还有其他好处。它还提供了可扩展性，以添加更多的任务利用现有功能并实现更好的概括。我们调查了自动驾驶中视觉感知任务的各种基于CNN的解决方案。然后，我们为重要任务提出了一个统一的CNN模型，并讨论了一些高级优化和体系结构设计技术以改善基线模型。本文是部分审查的，部分是位置，并证明了几个初步结果可用于未来的研究。我们首先展示了多流学习和辅助学习的结果，这些学习是扩展到大型多任务模型的重要成分。最后，我们实现了一个两条三任务网络，该网络在许多情况下与相应的单件任务模型相比，在许多情况下的性能更好，同时保持网络尺寸。
Neurall：迈向自动驾驶的统一视觉感知模型
主要关键词
相关文件推荐
