ACNet:在自动驾驶的传感器衍生数据集上的注意力转换协作语义细分网络
Qiliang Zhang1,2, Kaiwen Hua1,2,3, Zi Zhang1,2,3
1School of Computer Science and Technology, China University of Mining and Technology, Xuzhou 221116, China.
Sensors (Basel, Switzerland)
|August 14, 2025
概括
这项研究引入了新的深度学习模块,以改善自动驾驶的道路场景语义细分. 新方法增强了对象边界识别和不规则的对象感知,提高了整体环境感知精度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 自主驾驶系统 自主驾驶系统
背景情况:
- 语义细分对于智能车辆网络中的AI至关重要,使环境感知和安全.
- 当前的深度学习方法在平衡全球/本地特征 (模糊的边界) 和感知不规则对象 (信息丢失) 上扎.
研究的目的:
- 为了提高自动驾驶应用程序的道路场景中的语义细分的准确性和稳定性.
- 解决当前关于特征表示和不规则对象识别的深度学习模型的局限性.
主要方法:
- 提出了一个全球-本地协作关注模块,通过双向交互和动态加权来增强功能表示.
- 引入了一种蜘蛛网卷积模块,具有不对称的采样和多向受体场,以改进不规则物体识别.
主要成果:
- 拟议的方法在Cityscapes,CamVid和BDD100K数据集上在多个指标 (mIoU,mRecall,mPrecision,mAccuracy) 上取得了出色的性能.
- 对比实验证实了拟议的模块优于经典方法和现有的注意力/卷积技术的优势.
结论:
- 开发的方法显著改善了自动驾驶的基于传感器的语义细分.
- 该方法非常适合环境感知系统,增强车辆安全和决策能力.


