文档名：双注意力机制下自动驾驶汽车车道线深度感知研究
摘要：为改善车道线分割存在的计算量大、融合效果不明显以及遮挡、丢失、误识别等问题,设计了一种轻量化的基于语义分割的编解码卷积神经网络结构,在网络中引入通道注意力机制与行、列注意力机制.采用轻量化的训练网络ResNet-18对输入图片进行快速下采样,用来产生多阶段特征图;将通道注意力机制用于高阶特征图以提取高阶语义信息;将行、列注意力机制用于低阶特征图以提取车道线的空间信息,采用特征融合机制FFM将高阶特征图上采样后与低阶特征图融合,以提高车道线分割精度.取代传统聚类方法,构建了3层全连接网络,对分割出的像素进行类别预测,实现了背景及车道线的分类,使整个网络得到了端到端的训练与输出.将轻量化的编解码网络模型在Tusimple数据集上完成了车道线检测的训练与测试,并与以往研究模型进行了对比.结果表明,在车道线存在遮挡、模糊、阴影干扰及曝光等场景下,所设计的深度卷积网络仍可以准确且快速地识别出车道线,与现有车道线检测模型相比,在分割精度和检测速度上均有所提高,能够满足自动驾驶实时性检测的需求.
作者：贾远鹏 陈学文 哈瑞峰Author：JIAYuanpeng CHENXuewen HARuifeng
作者单位：辽宁工业大学汽车与交通工程学院,辽宁锦州121001
刊名：重庆理工大学学报 PKU
Journal：JournalofChongqingInstituteofTechnology
年，卷(期)：2023, 37(13)
分类号：U471.1+5
关键词：自动驾驶汽车 车道感知 注意力机制 特征融合
Keywords：autonomousvehicle laneperception attentionmechanism featurefusion
机标分类号：
在线出版日期：2023年8月22日
基金项目：辽宁省科技厅计划项目双注意力机制下自动驾驶汽车车道线深度感知研究[
期刊论文] 重庆理工大学学报--2023, 37(13)贾远鹏 陈学文 哈瑞峰为改善车道线分割存在的计算量大、融合效果不明显以及遮挡、丢失、误识别等问题,设计了一种轻量化的基于语义分割的编解码卷积神经网络结构,在网络中引入通道注意力机制与行、列注意力机制.采用轻量化的训练网络ResNet-18...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
双注意力机制下自动驾驶汽车车道线深度感知研究 Research on lane depth perception of autonomous vehicles with dual attention mechanism
双注意力机制下自动驾驶汽车车道线深度感知研究.pdf
- 文件大小:
- 1.64 MB
- 下载次数:
- 60
-
高速下载
|
|
