我們提出了一個新穎的多任務學習系統，它結合了外觀和運動線索，以更好地對環境進行語義推理。我們引入了一個用于聯合車輛檢測和運動分割的統一架構。在這個架構中，兩個任務之間共享一個雙流編碼器。為了在自動駕駛環境中評估我們的方法，使用KITTI注釋序列與檢測和測距的基礎真相來自動生成車輛的靜態/動態注釋。這個數據集被稱為KITTI移動物體檢測數據集（KITTI MOD）。該數據集將被公開提供，作為運動檢測任務的基準。我們的實驗表明，所提出的方法優于僅利用運動線索的先進方法，在KITTI MOD上的mAP為21.5%。我們的方法在一般物體分割的DAVIS基準上的表現與最先進的無監督方法相當。我們的一個有趣的結論是，運動分割和車輛檢測的聯合訓練有利于運動分割。運動分割的數據相對較少，與檢測任務不同。然而，共享的融合編碼器從聯合訓練中受益，以學習一個通用的表示。所提出的方法每幀運行時間為120毫秒，在計算效率上超過了最先進的運動檢測/分割方法。

MODNet: Moving Object Detection Network with Motion and Appearance for Autonomous Driving

總結

以上是生活随笔為你收集整理的modnet是一个无需绿幕，扣人像，笔记本上跑到10-20帧的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。