超70帧实时精准分割
摒弃跨模态融合，分别提取RGB与深度证据后按置信度融合，在保持高精度的同时推理速度比同类方法快5倍。
学风 · Yicong, Chang · Wenzhuang, Xu · Wenteng, Liang · Sheng, Fei · 明安龙
IEEE Transactions on Intelligent Transportation Systems 2025
现有RGB-D道路分割方法因不当多模态融合依赖重型网络，难以同时达到高精度和实时；Evi-RoadSeg用两个低延迟子网络分别提取证据并按置信度融合，摆脱了重型结构依赖。
RGB和深度数据对道路场景中不同区域敏感，但现有方法在敏感区域内融合特征会保留其中一种模态的错误道路表示；Evi-RoadSeg将两种模态证据作为置信度度量融合，避免了错误表示。
该方法能够在Jetson Nano 2GB这样的低成本边缘设备上以8+ FPS运行，适合车载或机器人端侧部署。