要:在车道线检测研究中,现有算法能够高效地检测在良好光照条件下的车道线,但在暗光下进行车道线检测仍然面临较高的漏检率挑战。针对此问题,利用车道线间的结构关系,提出了一种有助于暗光条件下的检测算法——实例关联网络(instance as...要:在车道线检测研究中,现有算法能够高效地检测在良好光照条件下的车道线,但在暗光下进行车道线检测仍然面临较高的漏检率挑战。针对此问题,利用车道线间的结构关系,提出了一种有助于暗光条件下的检测算法——实例关联网络(instance association net,IANet)。利用车道线起点处的特征以及全局特征图为不同的车道线生成独特的掩膜,将掩膜作用于特征图以实现车道线的实例级特征分离;基于实例级注意力机制来关联分离后的特征,该机制能够在实例之间进行有效的信息交互,同时在关联之前引入绝对位置编码,增强模型对车道线位置关联性的关注;通过定位车道线上的关键点和计算偏移量来实现车道线的精确检测。IANet在CULane数据集上与现有方法进行了实验对比,总体评分以及夜间场景下的评分分别为75.7%和71.9%,相比于其他算法明显提高,在多种受光照影响的环境下展现出了良好的鲁棒性,所提出的实例特征关联显著降低了暗光下车道线检测的漏检率。展开更多
文摘要:在车道线检测研究中,现有算法能够高效地检测在良好光照条件下的车道线,但在暗光下进行车道线检测仍然面临较高的漏检率挑战。针对此问题,利用车道线间的结构关系,提出了一种有助于暗光条件下的检测算法——实例关联网络(instance association net,IANet)。利用车道线起点处的特征以及全局特征图为不同的车道线生成独特的掩膜,将掩膜作用于特征图以实现车道线的实例级特征分离;基于实例级注意力机制来关联分离后的特征,该机制能够在实例之间进行有效的信息交互,同时在关联之前引入绝对位置编码,增强模型对车道线位置关联性的关注;通过定位车道线上的关键点和计算偏移量来实现车道线的精确检测。IANet在CULane数据集上与现有方法进行了实验对比,总体评分以及夜间场景下的评分分别为75.7%和71.9%,相比于其他算法明显提高,在多种受光照影响的环境下展现出了良好的鲁棒性,所提出的实例特征关联显著降低了暗光下车道线检测的漏检率。
