.png){kind=icon}
返回
Attention-aware upsampling-downsampling network for autonomous vehicle vision-based multitask perception
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-01870-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于视觉的环境感知已在自动驾驶应用中展现出巨大潜力。然而，许多感知网络中传统的单向特征流往往导致信息传播不足，这阻碍了系统对复杂驾驶环境的全面感知能力。类似物体、光照变化和尺度差异等问题加剧了这一局限性，引入噪声并降低了感知系统的可靠性。为应对这些挑战，我们提出了一种新颖的注意感知上采样-下采样网络（AUDNet）。AUDNet利用双向特征融合结构，通过多尺度注意上采样模块（MAU）增强高层特征中的精细细节，通过引导特征信息的选择；此外，设计的多尺度注意下采样模块（MAD）通过强调相关空间细节来强化低层特征的语义理解。在大型真实世界驾驶数据集上的广泛实验证明了AUDNet的卓越性能，特别是在复杂且动态驾驶场景下的多任务环境感知方面。
Keyword:
Attention-aware upsampling-downsampling network (AUDNet)
Multi-scale attention upsampling module structure (MAU)
Multi-scale attention downsampling module (MAD)
Vision-based multi-task perception
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
.png){kind=icon}
YolTrack: Multitask Learning Based Real-Time Multiobject Tracking and Segmentation for Autonomous VehiclesYolTrack: 基于多任务学习的自动驾驶车辆实时多目标跟踪和分割
PREAI
分享收藏ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture DesignShuffleNet V2: 高效CNN架构设计的实用指南
PREAI
分享收藏Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition用于视觉识别的深度卷积网络中的空间金字塔池化
OAAI
OAAI分享收藏分享收藏WoodScape: A Multi-Task, Multi-Camera Fisheye Dataset for Autonomous DrivingWoodScape: 用于自动驾驶的多任务，多摄像头鱼眼数据集OAAI
OAAI分享收藏
查看更多内容