为了解决目前车道线检测过程中特征融合不充分、检测精确度低和鲁棒性差的问题,本文提出一种融合多分支结构和注意力机制的车道线检测模型(fusion of multi-branch structure and attention mechanism network,FMANet),图像编码部分采...为了解决目前车道线检测过程中特征融合不充分、检测精确度低和鲁棒性差的问题,本文提出一种融合多分支结构和注意力机制的车道线检测模型(fusion of multi-branch structure and attention mechanism network,FMANet),图像编码部分采用多分支结构和注意力机制,并选择swish作为激活函数,图像解码部分采用跳跃连接结构,实现跨层特征融合。本文利用TuSimple公开数据集对FMANet模型进行评估与验证,实验结果表明,本文所提的FMANet模型的mAP指标接近97.25%,车道线检测精确度达到98.15%,此外,通过CULane数据集验证FMANet模型在不同场景下的检测具有更好的鲁棒性。展开更多
文摘为了解决目前车道线检测过程中特征融合不充分、检测精确度低和鲁棒性差的问题,本文提出一种融合多分支结构和注意力机制的车道线检测模型(fusion of multi-branch structure and attention mechanism network,FMANet),图像编码部分采用多分支结构和注意力机制,并选择swish作为激活函数,图像解码部分采用跳跃连接结构,实现跨层特征融合。本文利用TuSimple公开数据集对FMANet模型进行评估与验证,实验结果表明,本文所提的FMANet模型的mAP指标接近97.25%,车道线检测精确度达到98.15%,此外,通过CULane数据集验证FMANet模型在不同场景下的检测具有更好的鲁棒性。
