CCCNet:危机交叉关注增强的交叉层精炼网络,用于复杂场景中的车道检测
Bo Liu1,2, Haoran Sun1, Zijie Chen2
1School of Computer Science and Artificial Intelligence, Chaohu University, Chaohu, China.
PloS one
|May 13, 2025
概括
本研究介绍了CCCNet,这是自动驾驶中强大的车道检测的新模型. CCCNet在阴影和夜间驾驶等具有挑战性的条件下增强了车道线路识别.
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安全至关重要.
- 现有的模型在挑战条件下扎,例如阴影,夜间和可见性差.
- 全球和本地环境整合的缺乏限制了当前车道检测性能.
研究的目的:
- 开发一种新的网络架构,以改进车道检测.
- 解决当前模型中关于复杂驾驶场景的局限性.
- 为了提高车道检测系统的稳定性和准确性.
主要方法:
- 提出了跨界注意力增强的跨层精炼网络 (CCCNet).
- 综合的交叉关注,以捕捉长期的依赖.
- 利用跨层精细化来增强功能集成.
主要成果:
- 在CULane和TuSimple数据集上,CCCCNet在现有模型 (如CLRNet) 上表现出优异的性能.
- 在具有挑战性的驾驶条件下实现更高的准确性和稳定性.
- 有效地捕获全球背景和远程依赖关系,以可靠地检测车道.
结论:
- CCCNet在车道检测技术方面取得了重大进展.
- 拟议的架构在复杂的环境中提供更可靠的车道识别.
- 公开发布的代码和模型旨在促进对自动驾驶感知的进一步研究.
