.png){kind=icon}
返回
Multi-task traffic scene perception algorithm based on multi-scale prompter
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/ae13da.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通场景感知涉及3D对象检测、语义分割和深度估计等相互关联的任务。为同时学习多尺度任务通用、任务特定和跨任务互补特征，开发了一种基于视觉提示器的多任务交通场景感知算法。该算法引入多尺度提示学习方法以获取丰富的多尺度特征图和提示词。设计了一个提示选择器模块和上采样聚合模块，用于有效处理输出特征图和提示词，并将特征图聚合到统一尺度。此外，一种提示教学方**法增强了多任务学习的效率。在Cityscapes-3D数据集上的实验结果表明，所提出的算法优于当前主流算法，在3D对象检测上达到33.1%的mDS，语义分割上达到79.9%的mIoU，深度估计上达到4.20的RMSE。
Keyword:
traffic scene perception
multi-task learning
3D object detection
semantic segmentation
depth estimation
prompt learning
期刊
E
IF:
1.6
论文数:
2.1K
被引数:
0
机构
引用论文
.png){kind=icon}
DepthFormer: Exploiting Long-range Correlation and Local Information for Accurate Monocular Depth Estimation深度形成器: 利用远程相关和局部信息进行精确的单目深度估计
OAAI
OAAI分享收藏An Urban Road Semantic Segmentation Method Based on Bilateral Segmentation Network一种基于双边分割网络的 urban road 语义分割方法
PREAI
分享收藏分享收藏
查看更多内容