WG-FuseNet:用于道路分段的波形导向和门式融合网络
Yu Nie1,2, Jiaqi Sun1, Ming Zhu1
1Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
这项研究引入了一个新的模型,用于精确的道路细分,增强边缘和纹理细节. 它实现了高精度和实时性能,改进了复杂道路场景的现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 道路细分对于自动驾驶至关重要.
- 目前的方法难以处理高频细节和适应式多模式融合.
- 道路边缘和纹理信息的丢失导致细分界限不精确.
研究的目的:
- 为准确和高效的道路分割开发一个创新的模型.
- 为了提高边缘和纹理特征在道路细分中的表现.
- 改进RGB和深度数据的自适应融合,以获得更好的细分结果.
主要方法:
- 为频域分析设计了一个跨度波段增强模块 (CWEM).
- 开发了一个门式交叉模式融合模块 (GCMF),用于自适应的RGB-深度特征集成.
- 优化了损失函数,以减少错误检测并提高辨别能力.
主要成果:
- 在KITTI_Road数据集上实现了97.31%的细分精度.
- 保持了 34 FPS 的实时推断速度.
- 在道路边缘完整性和处理阴影区域方面表现出卓越的性能.
结论:
- 拟议的模型有效地解决了传统道路细分网络的局限性.
- CWEM 和 GCMF 模块可实现增强的特征表示和高效的多模式融合.
- 优化的损失函数在复杂的驾驶场景中提高了稳健性,实现了最先进的结果.
