YOLOv8统一感知新方法：频率感知加权让车道分割精度登顶！
An Exploratory Study of Frequency-Aware Task Weighting for YOLOv8-Based Unified Driving Perception
📖 AI 总结
该研究探讨了自动驾驶统一感知网络中多任务联合优化的动态权重分配问题。作者提出频率感知任务加权（FTW）方法，通过分析近期损失历史轨迹中的低频能量占比，作为任务收敛稳定性的代理指标，为收敛较慢或波动较大的任务分配更高权重。研究基于YOLOv8框架，在Mapillary Vistas数据集上对比了FTW与固定权重及不确定性加权两种基线方法，并分别在静态训练和渐进冻结两种配置下进行验证。结果显示，静态FTW在综合得分和车道分割mIoU上表现最佳，渐进FTW在检测mAP上领先，而静态不确定性加权在可行驶区域分割上最优。作者强调，由于缺乏重复随机种子实验和消融研究，这些结果仅具描述性，证明损失频率加权在该管线中可行，但尚不能确认其优于现有基线或具备跨场景泛化能力。
🔑 关键词速览
| Frequency-aware Task Weighting (FTW) | 一种动态任务加权方法，利用损失历史的低频能量比来估计任务稳定性，并据此调整各任务的权重。 |
| Unified perception | 在单一网络中同时执行多种感知任务（如目标检测、分割）的技术，以提高效率和降低部署复杂度。 |
| YOLOv8 | 一种先进的实时目标检测模型，常用于自动驾驶感知任务。 |
| Progressive freezing | 一种训练策略，逐步冻结网络部分层，以减少计算量并稳定训练过程。 |
| mIoU | 平均交并比，用于评估分割任务性能的指标，值越高表示分割越准确。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅