基于交叉卷积混合注意力机制的车道线路检测
Jianping Wen1, Zhuang Zhao2, Chenze Wang1
1College of Mechanical Engineering, Xi'an University of Science and Technology, Xi'an, 710054, China.
Scientific reports
|May 9, 2025
概括
本研究介绍了CCHA-Net,这是一种新的车道线路检测模型,使用混合注意力机制在复杂的驾驶条件下提高准确性. 该模型在动态环境中增强了功能识别和稳定性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 车道线路识别对于自动驾驶系统至关重要.
- 现有的方法在动态,复杂的环境中难以获得准确性和稳定性.
研究的目的:
- 提出一种新的车道线路检测模型,CCHA-Net,以提高准确性和稳定性.
- 在具有挑战性的场景中,改进车道特征连续性和长距离依赖性捕获.
主要方法:
- 开发了一个跨卷积的混合注意力机制 (CCHA-Net),集成道和空间注意力.
- 实现跨组特征交互和动态空间重量分配.
- 设计了一种轻量级的消息传递模块,具有双分支的多尺度卷积,用于特征融合和参数减少.
主要成果:
- 在CULane数据集上,CCHA-Net获得了80.2%的F1得分.
- 该模型在TuSimple数据集上获得了96.8%的准确性.
- 在复杂的环境中显著提高了车道线识别准确度.
结论:
- 拟议的CCHA-Net模型有效地提高了车道线路检测的准确性和稳定性.
- 集成的注意力机制和轻量级设计为现实世界的自动驾驶应用提供了有希望的解决方案.
