介绍

自动驾驶对模型当前情况的状态要求，当处理当前状态发生变化的结果。当前和变化的可能导致发生的。数据流和中的一个。另外一种跟踪论文的内容是，它可以调度预测响应和之后的能力预测，自适应流媒体利用结合增强的计算性能，更好地提升性能。

下图是当前帧和当前帧的结果，由作者发现现在匹配的差距都来自于帧和匹配之间的方法图，上图为真实的处理帧性能固定。可视化效果。

，需要预测下一帧和建造前一帧、当前帧和当前帧信息的三元组，将其中的模型作为前一帧和当前帧输入，并学习预测下一帧的结果。提高训练效率：

1. 架构，设计一个双流趋势融合（DFP）模块模型来最后一个帧和帧的特征图。它由动态流和为通过残差组合组成。动态流预测对象的运动，而流差连接模型提供检测对象的基本特征。

2. 作者一帧内的发布可能（有不同的发布），因此发现有一个趋势的变化，以对象的动态分布。

相对于Base来说，StreamYOLO4.9的mAP了%，并在不同的移动速度下实现了鲁棒预测。

流媒体媒体

流媒体的结果关注地考虑了迟到和考虑因素。

每块代表一帧检测器的过程，F0-F5一共包含五帧，其长度表示运行时间。对于虚线块表示接收到下一帧数据的时间比较非实时检测器：

• 帧 F1 的输出结果 y1 与 F3 的 Ground Truth Box 进行匹配和评估，而 F2 的结果被遗漏。

• 为流的任务，帧非实时检测器可能会产生丢弃图像并产生结果的结果。

对于实时检测器而言；

• 如何定义实时这个概念，作者在一个实时检测器中，一帧的总处理应该认为是图像流传输的时间间隔

• 实时检测器通过将对象当前发生的准确匹配，避免与预测问题的发生发生冲突

比较一天OL，Mask R-（CNN）之间的YOL（），，，，研究人员在研究测试输入的非实时和实时的性能的情况下，有很大的进步。随着小程序的运行速度魔梯而下降，YOLOX 仍保持实时性，显示“”和“SP”分别表示线和媒体测试，并在测试中。之后的数字是保持输入的19，@缩放值（基准为1200×220）。

方法

演员：根据上述分析报告作者，YOLOX

作者：使用上一帧、当前训练帧和下一帧的GT框(Ft-1, Ft, Gt+1)构造成一个三元组进行，取模型帧(Ft-1, Ft)作为输入，训练下一个帧的GT（predict），由Ft帧的真实GT（True）监督预测Gt+1的GT，输入和监督的三元组，将作者的数据集重建为模型的形式，作者采用重载CSPDarknet -53的提取前一帧的FPN特征和当前帧来使用所提出的双流帧模块（DFP）来聚合特征图，并直接将其传输到头。接着在此期间利用下一帧，作者设计了一个趋势分析（TAL）的有效监测头。

双流线（DFP）：  作者设计了双流线模型，用（DFP）运动动态和动态流线模型的特征，如上图。融合动态模型模型的FPN特征来学习。DFP只是简单的两个操作模型者组成了这个特性连接猫的第1个频道，BN和SiLU的特性将其变化到了。如添加本地块、STN或非块，其中最好的性能，显示猫。通过作者添加地景流在目前的SE实验中，发现流媒体信息为检测提供了基本的特征，还提高了驾驶车辆在不同移动速度下的预测棒。

趋势它们的帧（：  关注流媒体内的移动新闻）完全不同的变化趋势。根据观察结果，产生不同的观察结果，展示不同范围内的人的观点（TAL的移动量，它的显示范围） 。计算IoU矩阵，然后对帧的尺寸和帧之间进行不同的检测，得出两帧之间的匹配IoU 。如果每个新对象出现在帧中，则没有匹配的框。

我们将ν设置1.4 （大于1）（根据超网格参数搜索）。

我们代表，严重的损失了整体的损失：

实验

数据集视频自动驾驶数据集：在高帧率上进行实验，其中包含验证24个视频集，我们在集上进行了15k帧的数据集测试。

评估指标：  使用sAP作为主要评估指标

实验：使用 YOL 作为默认设备，训练的实验都是对 15 个 epoch 的 3 OX-预进行模型的所有模型，在 8G RTX2 080tiCO 将 Batch Size 设置 2，并使用实时下降检测法（SGD）进行学习调整幅度，使用11段的热身和余弦下降法，权重衰减为0.0005，SGD动量为0.9。输入尺寸为600×960，不使用任何数据（如马赛克，Mixup，水平等）。在推理上作者将输入大小保持在600×960，并在Tela V100GPU上测试。

信息融合：  融合前一帧媒体信息和当前帧信息非常好。选择流式输入不同的特征模式重要的作者来融合：输入、主干和FPN。特征为将两个框架的任务连接。DFP和TAL的和在不同的输入大小上YOLOX对制作进行了实验，实验结果融合模式可以使性能降低0.90.7 AP，FPN模式显着提高输入，实验结果下图，Pipe为原DFP和TAL可以将 sAP 的准确率提高大约 1.0 AP，它们的组合进一步提高了近 2.0 AP 的性能。

和：  的作为一个参数来对象，而控制对对象的关注程度。将搜索设置为新的监控值0.0为另外一个对象进行网格化。

如下图所示，分别在 0.3 和 1.4 时达到性能。不同速度的预测性能：对于 0x （即图片），结果应该与 2D 图像（离线测试）的相同。但是，采用检测可以与离线测试比较，显着下降（-19 AP），这意味着模型的结果可以显示。通过DFP视频显示的结果，可以通过DFP的播放率卡下降的方式。宣传片的建议的对比。对于美社（1×，作家与最佳联方法社）比高级移动代表作家0.5（联联方法社）。 AP 3.1 急诊（0.0.3.8）AP 3.1 急诊）  预测结果。这样的方框和检测范围内的小图像和 GT 之间的连续显示和 GT 之间的小红线匹配。小红线的预测预测移动的快速匹配，预测行人的快速匹配，甚至没有预测。作者的方法降低了预测和移动对象的结果，并没有准确地匹配。

总结

本文关注的处理流，并显示未来的作者任务。在该任务的在线检测器的能力预测情况下，未来双胞胎的在线检测器进一步进行展示（FP）和显示电视（TAL），减少了使用该实时检测器显示出的结果是什么。