蘑菇車聯(lián)發(fā)布自動駕駛視覺預測算法BalanceHRNet

　　近日，蘑菇車聯(lián)提出BalanceHRNet人體姿態(tài)估計模型，能夠幫助自動駕駛精準識別行人意圖。這一研究成果被國際頂級期刊Neural Networks收錄。

　　Neural Networks是世界三大神經(jīng)網(wǎng)絡領(lǐng)域權(quán)威學術(shù)期刊之一，也是SCI一區(qū)期刊，涉及行為學、腦建模、學習算法、數(shù)學和計算分析，以及使用神經(jīng)網(wǎng)絡概念和技術(shù)的工程和技術(shù)應用。

　　目前，人體姿態(tài)估計的主流方法是使用神經(jīng)網(wǎng)絡來識別人體關(guān)鍵點。近年來，該領(lǐng)域研究人員提出多種深度學習模型來提高人體姿態(tài)估計的準確性，包括主流的HigherHRNe模型。

　　盡管這一模型已經(jīng)取得很大進步，但在復雜環(huán)境或者擁擠場景下，不同個體間的相互遮擋會導致檢測難度激增，識別準確性會大大降低。

　　鑒于此，蘑菇車聯(lián)提出BalanceHRNet模型，該模型借鑒HigherHRNet的多分支結(jié)構(gòu)和融合方法，克服HigherHRNet無法獲取大感受野的缺點，在更小計算量的情況下提高準確性。

　　BalanceHRNet具有三大優(yōu)勢：具備更大感受野，可以提取更豐富的語義信息，并且具有較高準確性;提出平衡高分辨率模塊BHRM，可以獲取物體多尺度特征;學習不同分支的重要性，讓模型自己決定不同分支的意義。

　　測試結(jié)果表明，BalanceHRNet能夠有效提升人體姿態(tài)估計準確性。研究人員將CrowdPose數(shù)據(jù)集用作測試數(shù)據(jù)集，并以HigherHRNet、AlphaPose、OpenPose等模型為比較模型。

　　數(shù)據(jù)顯示，BalanceHRNet測得平均正確率為63.0%，比最佳模型HigherHRNet提高3.1%，準確率為目前業(yè)界最高水平。每一幀畫面的感知準確率都提升3.1%，數(shù)字看著小，但對自動駕駛安全性的整體提升影響很大。

　　研究人員還通過COCO(2017)關(guān)鍵點檢測數(shù)據(jù)集展示BalanceHRNet網(wǎng)絡的有效性，BalanceHRNet模型比平均正確率提高1.6%。

　　目前，BalanceHRNet已被蘑菇車聯(lián)用于高精地圖，提高了感知成功率和地圖精度。

　　作為行業(yè)領(lǐng)先的自動駕駛?cè)珬＜夹g(shù)與運營服務提供商，蘑菇車聯(lián)持續(xù)推動數(shù)字交通、自動駕駛領(lǐng)域的技術(shù)突破。

　　近半年來，蘑菇車聯(lián)CAMO-MOT算法、IPS300+路側(cè)多模態(tài)目標檢測數(shù)據(jù)集、multi-to-single知識蒸餾框架、InterFusion融合感知、BalanceHRNet模型等研究成果陸續(xù)被國際頂級學術(shù)機構(gòu)收錄，這意味著相關(guān)技術(shù)達到世界領(lǐng)先水平。