في عالم القيادة الذاتية، تعتبر القدرة على إدراك البيئة المحيطة في الوقت الفعلي عنصرًا أساسيًا لضمان سلامة وأداء أنظمة مساعدة السائقين المتقدمة (ADAS) والمركبات الذاتية القيادة. ومع ذلك، تفرض منصات السيارات المدمجة قيودًا كبيرة على قدرة الحوسبة والذاكرة والطاقة.

تحت عنوان "Opt-RetinaSeg"، قامت دراسة حديثة بتقديم معمارية محسّنة للتجزئة الدلالية مشتقة من إطار عمل RetinaNet التقليدي، حيث تم تعديلها لتناسب متطلبات التنبؤ بكثافة بكسل دقيق وملائمة للنشر على الأجهزة المدمجة ذات الموارد المحدودة. يتم استبدال العمود الفقري القياسي ResNet-50 بمستخرج ميزات خفيف الوزن يجمع بين الأداء العالي وكفاءة المعالجة، بالإضافة إلى إعادة هيكلة شبكة الهرم المميز (FPN) لتقليل العمليات الحسابية متعددة القياسات المكررة.

لكن التحسين لم يتوقف هنا؛ فقد تم أيضًا إدخال رأس تجزئة مضغوط تتوجهه تقنية "فقدان البؤر" (focal loss) لموازنة الفئات الكثيفة، وبالتالي معالجة الانحراف الكبير بين الخلفيات وال foreground.

وبفضل سلسلة من استراتيجيات التحسين مثل تقليم القنوات الهيكلية، وكمية ما بعد التدريب بنظام INT8، واستخلاص المعرفة من شبكة ذات سعة عالية، تم تقييم النموذج على مجموعتي بيانات Cityscapes وBDD100K ونشره على منصة NVIDIA Jetson Xavier NX ومنصة Qualcomm QCS610. والنتيجة؟ تحقق النموذج نسبة 73.9% في المقياس الجغرافي التراكمي (mIoU) بمعدل 70.4 إطارًا في الثانية، مما يعني تسريعًا بمعدل 7.4 مرة وتقليلاً في حجم النموذج بمعدل 4 مرات مقارنةً بالأساس ResNet-50، مع تراجع دقة أقل من 3%. هذه النتائج تبرز بوضوح أن معمارية مشتقة من RetinaNet، عند تحسينها بشكل منهجي، تعد مرشحة قوية لتطبيقات التجزئة الدلالية في وقت حقيقي ضمن أنظمة الإدراك داخل المركبات المدمجة.