觉得有帮助麻烦点赞关注收藏~~~
一、自动驾驶中的深度学习网络
视频分析领域的四大任务是：图像分类 目标检测 目标跟踪和图像分割，可以看到，基于深度学习的图像处理方法需要庞大的计算资源给予支持，在实际项目中，选择价格便宜且稳定性好的硬件设备是算法设计的重要环节，以实际项目为例，下图给出了自动驾驶环境感知这一实际问题拆解出的图像处理任务，自动驾驶技术的核心在于替代驾驶员完成对复杂动态场景的感知并作出正确的判断，即通过搭载的多种传感器获取与驾驶相关的有效信息，包括机动车，行人，非机动车等等。为了感知上述目标的状态，需要经过图像分类，目标检测和图像分割几个步骤来组合完成，如果将每个任务建立一个深度学习模型，再把所有的任务并行起来，计算量过于庞大，这将导致项目预算大幅增加，硬件服务器功耗过大，会产生安装条件受限等问题，实际项目在环境感知过程需要达到响应速度快，精度高，任务多等要求，而对于传统的视觉感知框架而言，难以实现短时间内同时完成多类的图像分析任务，所以使用一个深度神经网络模型实现交通场景中多任务处理是更为合理的方式，通过将分类、检测和分割这三个任务并入统一的编码器-解码器架构来完成，多类任务可以通过一个深度神经网络的前向传播完成，这样可以减少计算参数，从而提高系统的检测速度，多任务深度学习网络可以提高图像处理系统的速度同时可以降低图像处理算法对硬件计算能力以及存储能力的需求
二、多任务深度学习网络的概念
无论是图像识别，目标检测还是图像分割，所使用的基础网络都是一致的，这些基础网络的目的是提取不同的任务的不同图像特征，自动驾驶环境感知多任务深度学习网络如下图所示，它由三部分组成：图像特征提起部分，目标检测与识别部分，图像分割部分
至于多任务深度学习网络的分类以及详细介绍包括并行式和级联式将在下一篇博客中进行讲解
创作不易 觉得有帮助请点赞关注收藏~~~
