交互式注意力学习:通过单眼相机的图像来检测道路上的车道和车道标记

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 自动驾驶自动驾驶的自动驾驶

背景情况:

• 基于视觉的车道和车道标记检测对于智能驾驶车辆至关重要.
• 挑战包括复杂的交通场景与堵塞和不连续性,限制单眼相机的性能.
• 现有的方法经常单独解决车道或标记检测,忽视它们的固有关系.

研究的目的:

• 开发一种新的多任务框架,用于同时检测车道和车道标记.
• 为了利用车道和车道标志之间的空间相关性和几何先决性.
• 通过建模这两个元素之间的关系来提高检测性能.

主要方法:

• 一个具有双分支架构的多任务编码器-解码器框架,用于多规模的特征提取.
• 交互式注意力学习,揭示空间约束和融合特征信息.
• 可变形特征融合和跨语境模块用于特征编码和解码.
• 交叉IoU损失和焦点式损失权重用于强健训练.

主要成果:

• 在BDD100K数据集上取得了最先进的结果,用于车道标记检测和车道分割.
• 显示了显著的改进:6.33%的IOU和11.11%的准确性在车道标记检测.
• 与以前的方法相比,车道检测有0.22%的微小改进.

结论:

• 拟议的多任务框架有效地解决了同时检测车道和车道标记的挑战.
• 利用车道和标记之间的关系可以在复杂的场景中提高检测性能.
• 该方法为智能驾驶系统中的关键感知任务提供了强大的解决方案.