车辆自动行驶的安全性和稳定性离不开车道线准确识别。然而,日常驾驶中面临着复杂多变的天气和光照条件、道路标记模糊或遮挡等挑战。研究并设计基于深度神经网络的车道线识别算法,以提高识别技术在面对复杂环境的鲁棒性与检测结果精度...车辆自动行驶的安全性和稳定性离不开车道线准确识别。然而,日常驾驶中面临着复杂多变的天气和光照条件、道路标记模糊或遮挡等挑战。研究并设计基于深度神经网络的车道线识别算法,以提高识别技术在面对复杂环境的鲁棒性与检测结果精度。通过构建以VGG-16为主链并嵌入通道注意力和空间注意力机制的全卷积神经网络模型,实现端到端像素级别的车道线语义分割。嵌入注意力模块的新模型在CULane通用数据集上验证结果同VGG-解码语义分割方法相比,其平均像素准确率与均交并比(Mean Intersection over Union, MIoU)分别提升2.2%与1.3%。且在车道线不存在场景下,预测结果的像素准确率达到70%。嵌入注意力机制的图像分割算法研究为车道线识别问题提供了有效解决方案,有力支撑车道线检测技术在无人驾驶场景的应用。展开更多
电力场景的三维语义信息识别是其后续精细化管理的基础和关键,然而,由于电力场景地物结构信息复杂、纹理多样,为其精细化理解与识别带来了一定的困难和挑战。本文提出了一种基于改进RandLA-Net的电力场景点云语义分割方法,该方法通过引...电力场景的三维语义信息识别是其后续精细化管理的基础和关键,然而,由于电力场景地物结构信息复杂、纹理多样,为其精细化理解与识别带来了一定的困难和挑战。本文提出了一种基于改进RandLA-Net的电力场景点云语义分割方法,该方法通过引入特征拓展和分离池化操作来提高模型的性能,并在电力数据集上测试了该方法的实际效果,将其与现有的语义分割方法进行了比较。结果表明,该方法在准确性和效率方面具有很强的优势,综合对比来看,比前沿的RandLA-Net(Random Sampling and Local Feature Aggregator Network)提高了2.64和2.9的总体精度及平均交并比值,验证了该方法的有效性。展开更多
文摘车辆自动行驶的安全性和稳定性离不开车道线准确识别。然而,日常驾驶中面临着复杂多变的天气和光照条件、道路标记模糊或遮挡等挑战。研究并设计基于深度神经网络的车道线识别算法,以提高识别技术在面对复杂环境的鲁棒性与检测结果精度。通过构建以VGG-16为主链并嵌入通道注意力和空间注意力机制的全卷积神经网络模型,实现端到端像素级别的车道线语义分割。嵌入注意力模块的新模型在CULane通用数据集上验证结果同VGG-解码语义分割方法相比,其平均像素准确率与均交并比(Mean Intersection over Union, MIoU)分别提升2.2%与1.3%。且在车道线不存在场景下,预测结果的像素准确率达到70%。嵌入注意力机制的图像分割算法研究为车道线识别问题提供了有效解决方案,有力支撑车道线检测技术在无人驾驶场景的应用。
文摘电力场景的三维语义信息识别是其后续精细化管理的基础和关键,然而,由于电力场景地物结构信息复杂、纹理多样,为其精细化理解与识别带来了一定的困难和挑战。本文提出了一种基于改进RandLA-Net的电力场景点云语义分割方法,该方法通过引入特征拓展和分离池化操作来提高模型的性能,并在电力数据集上测试了该方法的实际效果,将其与现有的语义分割方法进行了比较。结果表明,该方法在准确性和效率方面具有很强的优势,综合对比来看,比前沿的RandLA-Net(Random Sampling and Local Feature Aggregator Network)提高了2.64和2.9的总体精度及平均交并比值,验证了该方法的有效性。
