FF-HPINet:用于车道检测的翻转特征和层次位置信息提取网络
1School of Electronics and Communication Engineering, Shenzhen Campus of Sun Yat-sen University, Shenzhen 518107, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
本研究介绍了FF-HPINet,这是一种用于自动驾驶车道检测的新深度学习模型. 它有效地利用特征对称性和层次位置信息来提高车道识别的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 车道检测对于自动驾驶系统至关重要.
- 目前的深度学习模型在使用视觉对称性和位置信息来检测车道方面存在局限性.
研究的目的:
- 提出FF-HPINet,一种用于增强车道检测的新型深度学习方法.
- 解决现有方法中视觉对称性和位置信息未充分利用的问题.
主要方法:
- 引入了一个翻转特征提取模块,以捕获来自各种受体场的对称特征和语义信息.
- 开发了一个层次位置信息提取模块,以精确地挖掘车道位置数据.
- 整合了一个可变形的上下文提取模块,专注于相关的前景元素和上下文细节.
主要成果:
- 在TuSimple数据集上获得了97.00%的F1分数.
- 在CULane数据集上获得了76.84%的F1得分,显示出卓越的性能.
结论:
- FF-HPINet有效地利用特征对称性和层次位置信息来改进车道检测.
- 拟议的模块提高了自动驾驶车道识别系统的精度和准确性.
更多相关视频
08:04Fully Automated Leg Tracking in Freely Moving Insects using Feature Learning Leg Segmentation and Tracking FLLIT
Published on: April 23, 2020
6.8K
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
9.0K