通过使用修改后的CANet模型,在印度背景下增强自动驾驶汽车场景理解的语义细分.
Smita Khairnar1, Sudeep D Thepade1,2, Suresh Kolekar3
1Department of Computer Engineering, Pimpri Chinchwad College of Engineering, Nigdi, Pune 411044, India.
MethodsX
|January 23, 2025
概括
深度学习改善了自动驾驶汽车的道路场景细分,克服了复杂的驾驶条件中的挑战. 修改后的CANet模型在现实场景中提高了准确性和效率.
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:
- 传统的计算机视觉方法在准确细分复杂的道路场景方面存在局限性,这对于自动驾驶汽车的导航至关重要.
- 印度驾驶数据集 (IDD) 为混乱的道路状况带来了独特的挑战,突出了先进的细分技术的需要.
研究的目的:
- 为了提高语义细分的准确性和效率,自动驾驶汽车在具有挑战性的,非结构化的驾驶环境.
- 提出一种新的深度学习模型,一种修改后的CANet,它解决了现有方法的局限性.
主要方法:
- 开发一个修改后的CANet架构,集成U-Net和LinkNet组件.
- 实施一个具有三个平行分支的多层次上下文模块 (MCM),以捕获多样化的上下文信息.
- 使用印度驾驶数据集 (IDD) 评估复杂场景中的性能.
主要成果:
- 拟修改的CANet实现了0.7053.3的欧盟 (mIoU) 的平均交叉点.
- 与最先进的语义细分模型相比,该模型显示出更高的效率和性能.
- 该架构有效地在多个尺度上捕获上下文信息,以改善细分.
结论:
- 基于深度学习的语义细分为复杂交通中安全自主导航提供了一个有希望的解决方案.
- 修改后的CANet提供了一种准确,高效和有弹性的方法来理解道路场景.
- 进一步的研究可以利用这种架构来实现现实世界的智能运输系统.


