自动驾驶视觉感知—— 多任务学习（HybridNets）

1、目标检测和分割的多任务模型

通过编码学习概念，探索深度学习和计算机视觉如何用于自动驾驶中的不同视觉任务。
一般来说，目标检测和分割都可以使用相同的数据。那么，为这两个具有挑战性的问题创建一个多任务模型：HybridNets，一个端到端感知网络，可以实现车俩检测和车道线分割。

2、HybridNets: End-to-End Perception Network

HybridNets多任务模型主要针对目标检测、可行驶区域分割和车道检测。在Berkeley DeepDrive Dataset （BDD100K）数据集上进行训练，达到SOTA的目标和车道检测。

该模型包含一个共享编码器和两个不同的解码器，分别用于检测和分割任务。

2.1 编码器Encoder

主干部分作为全局特征提取，帮助各种头网络在任务中实现卓越性能。作者选择了在ImageNet上预训练的EfficientNet-B3模型，通过寻找深度、宽度和分辨率参数来解决网络优化问题。EfficientNet能够在提供稳定网络的同时最小化计算成本。它也是在ImageNet挑战中表现出最高准确率的模型之一。
为了进一步优化编码器，BiFPN被应用于颈部网络管