ASA-BiSeNet:改善了低光自动驾驶道路场景的道路车道语义细分的实时方法

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:

• 道路环境感知对于自动驾驶至关重要,车道检测是关键组成部分.
• 复杂的条件,如照明不良和堵塞,挑战了当前的车道检测方法,阻碍了商业自动驾驶汽车的部署.
• 深度学习 (DL) 提供了用于增强低光图像的解决方案,以改善道路车道检测.

研究的目的:

• 为了提高自动驾驶在具有挑战性的低光条件下道路车道检测.
• 开发一个改进的深度学习模型,用于准确和实时的道路车道检测.
• 在复杂的道路环境中解决现有方法的局限性.

主要方法:

• 采用Zero-DCE++用于道路场景视频的低光图像增强.
• 设计了一个与BiSeNet (ASA-BiSeNet) 合作的自我注意模型,整合了高级车道检测的注意力机制.
• 在一个定制的道路车道数据集上训练和评估ASA-BiSeNet方法,将其与标准BiSeNet模型进行比较.

主要成果:

• ASA-BiSeNet模型实现了大约每秒152.5 (FPS) 的处理速度.
• 对于ASA-BiSeNet,工会上的平均交叉点 (mIoU) 达到了71.39%.
• 拟议的方法在复杂的道路场景和低光条件下表现出强大的性能.

结论:

• ASA-BiSeNet方法显著提高了道路车道检测的准确性和效率.
• 开发的方法满足了自动驾驶应用程序的实时处理需求.
• 这项研究有助于克服自动驾驶汽车感知系统中的环境挑战.