LHFFNet:用于车道检测的混合功能融合方法
Youchen Kao1, Shengbing Che2, Sha Zhou3
1School of Computer and Mathematics, Central South University of Forestry and Technology, Changsha, 410004, Hunan, China.
Scientific reports
|July 16, 2024
概括
这项研究引入了一种新的混合功能融合网络,用于强大的车道检测. 该框架增强了多级特征,提高了复杂的驾驶场景和具有挑战性的视觉条件中的精度.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 自主驾驶系统 自主驾驶系统
背景情况:
- 车道线路检测对于自动驾驶至关重要,但面临诸如大规模变化,复杂场景和相邻线路之间的高度相似性等挑战.
- 由于视角变化影响宽度,远距离车道线很难识别,导致分类错误.
研究的目的:
- 提出一个有效的车道检测框架,增强多个空间特征,并在整个车道线段区分关键特征.
- 通过在多个尺度上增强和融合特征来改善车道线图像的特征表示,特别是在远距离的车道线上.
主要方法:
- 一个多空间注意力增强模块,利用多头自我注意力来改善多尺度车道特征的相关性.
- 一个空间可分离的卷积分支,具有空间注意力权重,以强调多尺度特征信息中的重要车道区域.
- 在特征输出之前引入条带聚合,以改进车道线路表示和处理异型环境.
主要成果:
- 在TuSimple数据集上实现了96.84%的准确性.
- 在CULane数据集上达到75.9%的F1得分.
- 拟议的混合网络有效地增强了多尺度功能,以改善车道检测.
结论:
- 开发的混合功能融合网络在车道检测任务中表现出卓越的性能.
- 整合多空间注意力,空间可分离的卷积和条形聚合解决了车道线路识别的关键挑战.
