[论文解读] Workshop on Autonomous Driving at CVPR 2021: Technical Report for Streaming Perception Challenge
本文提出了一种基于新型无锚点 YOLOX 模型的实时 2D 目标检测系统，针对自动驾驶场景进行了优化，使用 Argoverse-HD 数据集进行训练。该系统在测试集上实现了 41.0 的流式 AP，通过 TensorRT 部署实现 1440×2304 高分辨率输入下的 30 FPS 推理速度，其在仅检测赛道上的表现优于第二名方法 7.8 AP。
In this report, we introduce our real-time 2D object detection system for the realistic autonomous driving scenario. Our detector is built on a newly designed YOLO model, called YOLOX. On the Argoverse-HD dataset, our system achieves 41.0 streaming AP, which surpassed second place by 7.8/6.1 on detection-only track/fully track, respectively. Moreover, equipped with TensorRT, our model achieves the 30FPS inference speed with a high-resolution input size (e.g., 1440-2304). Code and models will be available at https://github.com/Megvii-BaseDetection/YOLOX
研究动机与目标
- 开发一种快速且准确的 2D 目标检测系统，用于实时自动驾驶感知。
- 在保持高推理速度的同时，提升在 Argoverse-HD 数据集上的检测性能。
- 解决 Argoverse-HD 数据集中因训练数据有限且场景相似而导致的过拟合问题。
- 通过 TensorRT 优化推理速度，以实现真实场景下的部署。
- 在高分辨率输入条件下，实现在流式感知挑战赛中的最先进性能。
提出的方法
- 该系统基于 YOLOX，一种新设计的无锚点 YOLO 模型，具有简化架构和更少的超参数。
- 采用先进的数据增强策略，如 Mosaic 和 Mixup，与 YOLOv4 和 YOLOv5 类似。
- 在训练过程中使用简化版 OTA（最优传输分配）进行标签分配。
- 模型采用类似 YOLOv5-L-P6 的 C3 主干网络进行特征提取。
- 通过 TensorRT 优化推理，将预处理和后处理（NMS）融合到模型前向传播中，实现端到端加速。
- 采用多阶段训练策略：首先在 COCO 上进行预训练，然后在多个数据集（包括 Argoverse-HD、BDD100K、Cityscapes 和 nuScenes）上进行微调，以提升模型的鲁棒性和泛化能力。
实验结果
研究问题
- RQ1基于无锚点 YOLO 的检测器是否能在自动驾驶感知基准上实现更优的准确率与速度？
- RQ2在 COCO 上预训练并结合多数据集微调，对 Argoverse-HD 数据集上的性能有何影响？
- RQ3大规模输入分辨率（1440×2304）对检测准确率和推理延迟有何影响？
- RQ4TensorRT 优化在多大程度上可实现高分辨率下的实时推理？
- RQ5在验证集上进行微调在多大程度上能提升测试集上的在线流式性能？
主要发现
- 所提出的基于 YOLOX 的系统在测试集上实现了 41.0 的流式 AP，优于第二名方法 7.8 AP（仅检测赛道）。
- 在大分辨率输入（1440×2304）下，系统实现了 50.6 的离线 AP，表明其在高分辨率条件下的强大性能。
- 使用 TensorRT 优化，系统在 1440×2304 输入下实现 30 FPS 推理，达到实时推理，延迟极低（28.1 ms/帧）。
- 在 COCO 上预训练使性能从基线的 35.4 AP 提升至 42.8 AP，表现出显著改进。
- 多数据集微调进一步将 AP 提升至 48.7，验证集微调则使在线测试性能提升至 41.0 AP。
- 准确率与延迟之间的权衡显而易见：更高分辨率可提升准确率，但也会增加推理时间，1440×2304 分辨率下达到 50.6 AP，每帧延迟为 28.1 ms。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。