基于重量融合的比例特征金字塔网络用于车道检测
Jiapeng Hui1,2, Guoyun Lian1, Jiansheng Wu2
1Institute of Applied Artificial Intelligence of the Guangdong-Hong Kong-Macao Greater Bay Area, Shenzhen Polytechnic University, Shenzhen, Guangdong, China.
PeerJ. Computer science
|March 4, 2024
概括
这项研究引入了一种比例特征金字塔网络 (P-FPN),用于改进车道检测. 这种新的方法通过完善特征地图和,在具有挑战性的条件下提高了准确性和速度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 车道检测对于自动驾驶至关重要,但在极端条件下具有挑战性.
- 当前的深度学习方法经常受到大型模型大小和缓慢速度的影响.
研究的目的:
- 提出一种高效准确的车道检测方法.
- 解决现有的深度特征提取和多模块融合方法的局限性.
主要方法:
- 通过将权重集成到特征金字塔网络 (FPN) 中,引入了一种比例特征金字塔网络 (P-FPN).
- 整合了一个交叉改进块,从高层到低层特征地图逐步改进.
- 利用高层次功能进行粗车道预测和本地详细功能来提高定位准确性.
主要成果:
- 拟议的P-FPN方法在CULane和TuSimple车道检测数据集上显示出具有竞争力的性能.
- 与现有的最先进的方法相比,实现了更好的准确性和本地化.
结论:
- 带有交叉精炼块的P-FPN提供了一个有效的解决方案,用于准确和高效的车道检测.
- 这种方法对需要在各种驾驶场景中强大的车道识别的现实应用具有前景.
