使用多流数据和潜在空间注意力的道路场景细分策略的统一
August J Naudé1, Herman C Myburgh1
1Department of Electrical, Electronic and Computer Engineering, University of Pretoria, Pretoria 0002, South Africa.
Sensors (Basel, Switzerland)
|September 9, 2023
概括
这项研究引入了一个新的道路场景细分系统,使用深度学习用于自动驾驶汽车. 这种新的方法在识别道路要素方面实现了高精度,提高了自动驾驶的安全性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 自主系统 自主系统
背景情况:
- 了解道路场景对于自动驾驶系统至关重要,但在实现人类水平的准确性方面面临挑战.
- 目前用于道路场景细分的方法往往缺乏统一的方法,阻碍了现实世界的适用性.
- 深度学习在增强路面场景理解的细分和感知方面表现出有希望.
研究的目的:
- 为道路场景理解提出一种新的细分系统.
- 为了提高自动驾驶应用的道路场景元素细分的准确性和效率.
- 为了解决道路场景细分的统一方法的需求.
主要方法:
- 利用完全连接的网络来增强功能学习.
- 整合了注意力机制,以专注于相关的场景元素.
- 实现了多输入数据流融合,以集成多种信息来源.
主要成果:
- 在Cityscapes数据集上获得了87.4%的平均交叉与工会 (mIoU) 分数.
- 证明性能与现有的最先进方法相提并论.
- 拟议的系统显示了道路场景细分精度的显著改进.
结论:
- 新的细分系统有效地改善了道路场景的理解.
- 深度学习技术,注意力机制和数据融合的整合为自动驾驶感知提供了一个有希望的方向.
- 该系统的性能表明其在自动驾驶汽车中实际部署的潜力.


