TwinLiteNetPlus: A Stronger Model for Real-time Drivable Area and Lane Segmentation

语义分割对于自动驾驶至关重要，特别是对于可行驶区域和车道分割，以确保安全和导航。为了解决当前最先进模型的高计算成本，本文介绍了TwinLiteNetPlus（TwinLiteNet+），这是一种擅长平衡效率和准确性的模型。TwinLiteNet+采用标准和深度可分离膨胀卷积，降低了复杂度同时保持了高精度。它有四种配置，从鲁棒的194万参数的TwinLiteNet+Large到超紧凑的34K参数的TwinLiteNet+Nano。值得注意的是，TwinLiteNet+Large在可行驶区域分割方面达到92.9％的mIoU，在车道分割方面达到34.2％的IoU。这些结果明显优于当前最先进模型的结果，同时需要的计算成本约为现有最先进模型的11倍。TwinLiteNet+在各种嵌入式设备上进行了广泛测试，展示了良好的延迟和功率效率，凸显了其适用于实际的自动驾驶应用。

本论文旨在解决自动驾驶中语义分割的高计算成本问题，提出了一种高效准确的模型TwinLiteNet+。

TwinLiteNet+通过使用标准和深度可分离的扩张卷积来降低复杂度，同时保持高准确性，提供了四种配置，从超紧凑的34K参数TwinLiteNet+ Nano到1.94百万参数的TwinLiteNet+ Large。

TwinLiteNet+在Drivable Area Segmentation和Lane Segmentation方面的表现优于当前SOTA模型，同时计算成本大约是现有SOTA模型的11倍低。在各种嵌入式设备上进行了广泛测试，具有良好的延迟和功率效率，适用于实际的自动驾驶应用。

与此相关的研究包括DeepLabv3+、ENet、ERFNet等。