CN112633177A - 一种基于注意力空间卷积神经网络的车道线检测分割方法 - Google Patents

一种基于注意力空间卷积神经网络的车道线检测分割方法 Download PDF

Info

Publication number
CN112633177A
CN112633177A CN202011550418.1A CN202011550418A CN112633177A CN 112633177 A CN112633177 A CN 112633177A CN 202011550418 A CN202011550418 A CN 202011550418A CN 112633177 A CN112633177 A CN 112633177A
Authority
CN
China
Prior art keywords
lane line
neural network
attention
convolution
lane
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011550418.1A
Other languages
English (en)
Inventor
梁军
詹吟霄
彭嘉恒
侯亮
刘飞虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011550418.1A priority Critical patent/CN112633177A/zh
Publication of CN112633177A publication Critical patent/CN112633177A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Abstract

本发明公开了一种基于注意力空间卷积神经网络的车道线检测分割方法，该方法通过空间卷积神经网络将车道图像中的每一条车道线分割为一类，并输出车道线的概率图，图中各像素点的数值为该点属于各类的概率，最后通过三次样条插值连接每一类的像素点得到车道线。该方法在传统的卷积神经网络中嵌入了空间卷积层并引入了注意力门结构，使得图像中的空间信息能够在同层的神经元中传播，能更好地提取结构化信息，在不增加网络模型计算量的情况下，加强了对车道线这类长距离连续目标的检测能力。该方法主要针对具有清晰道路标志线的结构化道路，可对拥挤、昏暗、狭窄等复杂行驶状况中完整的车道线进行检测和分割，其性能优于现有方法。

Description

一种基于注意力空间卷积神经网络的车道线检测分割方法
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种基于注意力机制的空间卷积神经网络车道线检测和分割方法。
背景技术
车道线检测是偏移预警、车道保持和自动变道等众多高级驾驶辅助功能的基础环节，在自动驾驶系统中起着至关重要的作用，车道线检测方法的稳定性、准确性影响着自动驾驶系统的性能。虽然现有的车道线检测方法能满足使用要求，但在实际的驾驶场景中实现准确检测仍然是一项具有挑战性的任务。其主要困难在于实际环境中存在各种干扰因素，如恶劣天气、光线变化、交通拥堵等，导致传感器检测到的目标信息通常是不全面的，极大地增加了检测的难度。
车道线检测指的是通过传感器获得环境信息，尤其是路面上的车道线信息，进而计算并判断车辆合理行驶的区域范围。常用的车载传感器为雷达和摄像头，其中雷达主要分为毫米波雷达和激光雷达，毫米波雷达检测距离远，对目标本身的变化不敏感，但易受天气等因素的影响；激光雷达检测效果好，但其成本昂贵，不利于被广泛使用。相比于雷达，摄像头具有易安装，体积小，捕获的信息量大，成本低等优点。因此，近年来基于视觉的车道线检测方法逐渐成为计算机视觉领域和无人驾驶领域的研究热点。
基于视觉的车道线检测方法，通过采集图像，处理图像，最后通过计算获得车道线信息。在检测车道线的传统方法中，主要有两大类，一种是基于车道线模型的方法，一种是基于道路特征的方法。基于模型的方法是将车道线用适当的数学表达式来描述，然后通过一系列数学方法构建模型并获得其中的参数来拟合车道线，常用的方法有Hough变换、随机采样一致性算法、最小二乘法等。其他常用的车道线模型有直线模型、双曲线模型、线性抛物线模型、样条曲线模型等。基于道路特征的方法通常情况下是基于车道线的颜色、形状、大小/宽度、边缘、梯度变化等车道线本身的特征信息来提取出特征，或者利用路面的纹理信息结合区域增长以及分类的方法来取得整个路面区域。
传统的计算机视觉技术对于车道线的检测效果并不理想，因为大多数基于模型和基于特征的方法都有较为严格的前提假设，并不具有普遍性，只能在特定场景中针对某些特点的车道线完成检测任务。
随着深度学习的迅速发展，许多相关的技术也被应用到车道线检测中，相较于传统算法，深度学习有着众多优点，最典型之一的卷积神经网络学习模型在众多算法中表现较为突出。针对车道线这类长距离且形状连续又有着很强的空间关系，但从其外观不完整的目标，空间卷积神经网络将传统的卷积层连接层的连接形式转化为连片结构的卷积形式，使得特征信息不仅能在行之间传递，也能在列之间传递，使得空间信息能够在同层的神经元中传播，增强了对结构化信息的识别。近年来，注意力机制也被应用于语义分割，在语义分割的框架中，目的是将场景图像分割和解析到与语义类别相关联的不同图像区域，从而实现图像内容的识别。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于注意力空间卷积神经网络的车道线检测分割方法。
本发明的目的是通过以下技术方案来实现的：一种基于注意力机制的空间卷积神经网络车道线检测和分割方法，包括如下步骤：
(1)设计卷积神经网络结构：在卷积神经网络中嵌入若干个不同方向的空间卷积层，并使用注意力门结构以前馈的形式连接不同的空间卷积层，得到基于注意力机制的空间卷积神经网络ASCNN；
(2)训练模型并改进网络结构：使用训练算法训练步骤(1)中设计的空间卷积神经网络，计算经过训练后模型的性能，调整步骤(1)中网络的卷积核宽度和注意力门的连接方式，重新训练神经网络，选取性能最优的模型作为车道线检测器；
(3)输入图像实现车道线检测与分割：对车载摄像头输出的图像进行预处理，将图像传入步骤(2)中的车道线检测器，输出车道线的概率图，将图中概率大于阈值的像素点拟合成车道线，实现车道线的检测与分割。
进一步地，所述步骤(1)包括如下子步骤：
(1.1)选用卷积神经网络为基础架构，构建空间卷积神经网络，其中初始的13层使用VGG16模型中的结构，并在顶部隐藏层之后设计四个空间卷积层，先将每个卷积层进行切片，再按照下、上、右、左的顺序进行卷积，并使用连片结构的卷积形式代替传统的层连接层的形式；
(1.2)构建一个输入为原始特征信息xl和分析门信号g，输出为局部空间特征
Figure BDA0002857586490000021
的注意力门结构，使用门信号g提供的激活和上下文信息来选择空间区域，并通过调整权重系数α来控制输入特征xl在输出
Figure BDA0002857586490000022
中所占的比例，其中权重系数的网格重采样使用三维插值完成；
(1.3)使用四个注意力门连接步骤(1.1)中的空间卷积层，每一个注意力门的门信号g为前序注意力门的输出特征
Figure BDA0002857586490000031
输入特征xl为对应空间卷积层的卷积结果，输出特征作为后续注意力门的门信号，其中第一个注意力门的门信号来自顶部隐藏层，最后一个注意力门的输出传入后续的卷积层，并为神经网络的每一个激活函数层添加正则项，得到基于注意力机制的空间卷积神经网络。
进一步地，所述步骤(2)包括如下子步骤：
(2.1)选取标准梯度下降法作为步骤(1.3)中神经网络的训练算法，设置该算法中批尺寸(batch size)、动量项(momentum)、权重衰减项(weight decay)等参数值，并在车道检测数据集上进行训练；
(2.2)把测试集中的图像传入经过步骤(2.1)训练的模型，将模型的输出与真实标记进行比较，统计真实标记(Ground Truth)中车道线和背景正确识别的概率，计算训练后的模型的精确率、召回率、准确率和F1等性能指标；
(2.3)调整步骤(1.1)中网络的卷积核宽度和步骤(1.3)中注意力门的连接方式，重新使用步骤(2.1)中的方法训练神经网络，并通过步骤(2.2)评估不同的网络结构对应的性能，选取性能最优的模型作为车道线检测器。
进一步地，所述步骤(3)包括如下子步骤：
(3.1)读取车载摄像头获取的车道图像，将图像的分辨率统一为1280*720后，传入步骤(2.3)中的车道线检测器，输出车道线的概率图；
(3.2)在步骤(3.1)输出的车道线概率图中，为了分割不同的车道线，把每条车道线视为一类，像素点的数值为属于对应车道线的概率，通过三次样条插值连接每条车道线上数值大于设定阈值的像素点，获得车道线的曲线，实现车道线检测与分割。
本发明的技术方案概括为：
1、本发明提出了一个适用于车道线检测的空间卷积神经网络结构。在卷积网络中嵌入空间卷积层，将传统的卷积层连接层的连接形式转化为连片结构的卷积形式，使得空间信息能够在同层的神经元中传播，增强了对结构化信息的识别，并在空间卷积层之间引入了注意力门结构，将每一方向上的特征提取都与前馈网络融合，提高了对车道线这类长距离连续目标的检测能力；
2、本发明提供了一个针对带有注意力门的空间卷积神经网络的训练方法和性能改进机制。使用标准梯度下降法进行训练，学习速率采用非固定值，选取精确率、召回率、准确率和F1等指标对训练后的神经网络进行评估，更改网络中卷积核和注意力门的参数设置，根据训练后模型的性能指标选择最优的模型作为车道线检测器；
3、本发明提供了一个车道线检测和车道线可视化方法。将车载摄像头输出的车道图像传入车道线检测器，把图中每一条车道线分割为一类，得到图像中所有像素属于各条车道线的概率图，保留概率值大于设定阈值的像素点，使用三次样条插值连接每一类车道线的像素点，得到车道线曲线。
本发明的有益效果是，本发明将传统神经网络中层连接层的连接形式转化为连片结构的卷积形式，使得空间信息能够在同层的神经元中传播，加强了对车道线这类长距离连续目标的检测能力，并在空间卷积神经网络中引入了注意力门，此网络结构能够简单地嵌入到深度网络模型中，而且由于前馈结构没有做任何变换的输入，不仅不会增加模型的计算量，还能通过前馈将粗特征与细特征结合，更好地提取局部图像空间信息提高检测性能。
附图说明
图1是空间卷积神经网络的结构示意图；
图2是注意力门的结构示意图；
图3是基于注意力机制的空间卷积神经网络的结构示意图；
图4是神经网络训练、验证和测试所使用数据集中的车道图片，其中，(a)为原始车道线图像，(b)为标记了真实车道线的图像；
图5是将模型输出的概率图转化为车道线的过程示意图，其中，(a)为步骤3.1的流程图，(b)为步骤3.2的流程图。
具体实施方式
本发明的核心技术是在卷积神经网络中嵌入空间卷积层，并在不同的卷积层中引入注意力门结构，以此提高网络对长距离连续目标的检测能力和对局部图像空间信息的提取能力，从而实现复杂行驶环境中的车道线检测与分割。
本发明提出了一种基于注意力空间卷积神经网络的车道线检测分割方法，包括以下步骤：
(1)设计卷积神经网络结构：选取卷积神经网络作为基础结构，在顶部隐藏层之后嵌入四个空间卷积层构建空间卷积神经网络，并使用注意力门结构将四个卷积层以前馈的形式连接起来，得到基于注意力机制的空间卷积神经网络ASCNN；具体包括以下子步骤：
(1.1)如图1所示，构建空间卷积神经网络，选取LargeFOV网络作为基础架构，其中初始的13层使用VGG16模型中的结构，并在顶部隐藏层之后设计四个空间卷积层SCNN_D、SCNN_U、SCNN_R、SCNN_L，先将每个卷积层进行切片，再按照下、上、右、左的顺序进行卷积，最后使用连片结构的形式连接四个卷积层。
(1.2)如图2所示，设计注意力门结构，输入信号为原始特征信息xl和分析门信号g，输出信号为局部空间区域的特征
Figure BDA0002857586490000051
通过分析门信号g提供的激活和上下文信息来选择空间区域，该选通信号从粗糙的尺度收集而得，输入特征xl通过权重系数α进行衡量，即通过调整比例系数α来控制输入特征在输出
Figure BDA0002857586490000052
中所占的比例，权重系数的网格重采样使用三维插值完成的。
(1.3)如图3所示，使用注意力门连接步骤(1.1)中的四个空间卷积层SCNN_D、SCNN_U、SCNN_R、SCNN_L以及其他结构，其中第一个注意力门AG1的门信号g1来自顶部隐藏层，特征信息
Figure BDA0002857586490000053
取自SCNN_D的卷积结果，第二个注意力门AG2的门信号g2来自AG1的输出
Figure BDA0002857586490000054
特征信息
Figure BDA0002857586490000055
取自SCNN_U的卷积结果，第三个注意力门AG3的门信号g3来自AG2的输出
Figure BDA0002857586490000056
特征信息
Figure BDA0002857586490000057
取自SCNN_R的卷积结果，第四个注意力门AG4的门信号g4来自AG3的输出
Figure BDA0002857586490000058
特征信息
Figure BDA0002857586490000059
取自SCNN_L的卷积结果，输出特征
Figure BDA00028575864900000510
传递至后续的卷积层，最后在神经网络的每一个激活函数层添加批标准化正则项(Batch Normalization)，防止因网络层数过深而导致的反向传播时的低层神经网络的梯度消失，得到基于注意力机制的空间卷积神经网络ASCNN。
(2)训练模型并改进网络结构：训练基于注意力机制的空间卷积神经网络，计算经过训练后模型的检测性能，调整网络的卷积核宽度和注意力门的连接方式，选取性能最优的模型作为车道线检测器；具体包括以下子步骤：
(2.1)选取包含正常、拥挤、夜晚、狭窄等9类真实场景的CULane和由真实行车视频构成的TuSimple作为模型训练和测试的数据集，并将TuSimple数据集中的视频统一截取为1280*720的图像，如图4所示，其中的(a)为原始车道线图像，(b)为标记了真实车道线的图像。
(2.2)将标准梯度下降法作为训练算法，设置其参数批尺寸为128，动量项为0.9，权重衰减项为0.001，采用caffe框架中的“poly”策略，在步骤(2.1)中选取的数据集上训练步骤(1.3)中设计的神经网络，将控制值设为0.9，使得学习率为一条由起点指向终点的凹曲线。
(2.3)将测试集中的车道图像输入到经过步骤(2.2)训练过的模型中，得到输出的概率图，视概率图中的车道线为一定宽度曲线，然后划分出真实标记(Ground Truth)与预测结果的感兴趣区域(IoU)，并与设定阈值进行比较，根据下列公式计算方法的检测性能：
Figure BDA00028575864900000511
Figure BDA0002857586490000061
Figure BDA0002857586490000062
其中，recall是真实标记中车道线分割正确的概率，precision是真实标记中背景分割正确的概率，G1表示真实标记二值图像中像素值为1部分的集合，P1表示检测结果为1的集合，
Figure BDA0002857586490000063
Figure BDA0002857586490000064
其中FP表示预测的结果中车道线误检的概率，FN表示真实标记中车道线漏检的概率，评价指标使用
Figure BDA0002857586490000065
将阈值设置为0.3和0.5，分别表示宽松和严格的评判标准，计算出训练后模型的性能指标。
(2.4)更改步骤(1.1)中空间卷积神经网络的卷积核大小，将卷积核宽度分别设为1、3、5、7、9、11，更改步骤(1.3)中注意力门的位置和连接方式，在SCNN_D、SCNN_U、SCNN_R、SCNN_L四个空间卷积层上分别单独增加一个注意力门，重新使用步骤(2.2)中的方法和参数训练网络模型，根据步骤(2.3)的方法计算不同网络结构模型对应的性能指标，得到表1和表2中的结果。
表1：注意力门在不同方向上的结果，其中‘D’‘U’‘L’‘R’分别表示down，up，left和right四个方向
位置 SCNN_D SCNN_U SCNN_L SCNN_R
F1(0.3) 70.2 70.7 71.2 70.5
F1(0.5) 59.4 60.2 59.7 60.8
由表1可知，将注意力门单独连接在不同方向的空间卷积层时模型的性能也有所不同，阈值设定为0.5时，在空间卷积层SCNN_R上连接注意力门模型的性能最佳。
表2：不同大小的卷积核对模型的影响
核宽度 1 3 5 7 9 11
F1(0.3) 68.2 68.8 69.5 70.7 71.3 71.9
F1(0.5) 57.2 58.1 58.8 59.7 60.9 60.2
由表2可知，网络中卷积核的大小会影响模型的性能，在阈值设定为0.5时，核宽度为9的模型具有最佳的性能。最终选取卷积核宽度为9，四个空间卷积层都连接有注意力门且经过训练的模型作为车道线检测器。
(3)输入图像实现车道线检测与分割：对车载摄像头输出的图像进行预处理，将图像传入车道线检测器，输出车道线的概率图，将图中概率大于阈值的像素点拟合成车道线，实现车道线检测；具体包括以下子步骤：
(3.1)读取车载摄像头获取的车道图像，将图像的分辨率统一为1280*720后，传入步骤(2.4)中的车道线检测器，输出车道线的概率图，过程如图5(a)所示。
(3.2)在步骤(3.1)输出的车道线概率图中，为了分割不同的车道线，把每条车道线视为一类，像素点的数值为属于对应车道线的概率，如图5(b)所示，通过三次样条插值连接每条车道线上数值大于设定阈值的像素点，获得车道线的曲线，实现车道线检测与分割。
实施实例
在一台配备Intel Core i7-8700K中央处理器，NVIDIA GeForce GTX 1080图形处理器及32GB内存的机器上实现本发明的实施实例。采用所有在具体实施方式中列出的参数值，在数据集CULane和TuSimple上计算各方法的性能指标，得到了表3中的结果。
表3：基于注意力机制的空间卷积神经网络车道线检测和分割方法的对比实验结果
数据集 CNN ReNet MRFNet ASCNN
CULane 65.2 68.6 67.3 69.7
TuSimple 70.6 74.1 73.6 75.5
可见，本发明基于注意力机制的空间卷积神经网络车道线检测和分割方法的性能优于现有的基于其他神经网络的方法。

Claims (4)

1.一种基于注意力空间卷积神经网络的车道线检测分割方法，其特征在于，包括如下步骤：
(1)设计卷积神经网络结构：在卷积神经网络中嵌入若干个不同方向的空间卷积层，并使用注意力门结构以前馈的形式连接不同的空间卷积层，得到基于注意力机制的空间卷积神经网络；
(2)训练模型并改进网络结构：使用训练算法训练步骤(1)中设计的空间卷积神经网络，计算经过训练后模型的检测性能，调整步骤(1)中网络的卷积核宽度和注意力门的连接方式，重新训练神经网络，选取性能最优的模型作为车道线检测器；
(3)输入图像实现车道线检测与分割：对车载摄像头输出的图像进行预处理，将图像传入步骤(2)中的车道线检测器，输出车道线的概率图，将图中概率大于阈值的像素点拟合成车道线，实现车道线检测。
2.根据权利要求1所述的基于注意力空间卷积神经网络的车道线检测分割方法，其特征在于，所述步骤(1)包括如下子步骤：
(1.1)选用卷积神经网络为基础架构，构建空间卷积神经网络，其中初始的13层使用VGG16模型中的结构，并在顶部隐藏层之后设计四个空间卷积层，先将每个卷积层进行切片，再按照下、上、右、左的顺序进行卷积，并使用连片结构的卷积形式代替传统的层连接层的形式。
(1.2)构建一个输入为原始特征信息xl和分析门信号g，输出为局部空间特征
Figure FDA0002857586480000011
的注意力门结构，使用门信号g提供的激活和上下文信息来选择空间区域，并通过调整权重系数α来控制输入特征xl在输出
Figure FDA0002857586480000012
中所占的比例，其中权重系数的网格重采样使用三维插值完成。
(1.3)使用四个注意力门连接步骤(1.1)中的空间卷积层，每一个注意力门的门信号g为前序注意力门的输出特征
Figure FDA0002857586480000013
输入特征xl为对应空间卷积层的卷积结果，输出特征作为后续注意力门的门信号，其中第一个注意力门的门信号来自顶部隐藏层，最后一个注意力门的输出传入后续的卷积层，并为神经网络的每一个激活函数层添加正则项，得到基于注意力机制的空间卷积神经网络。
3.根据权利要求2所述的基于注意力空间卷积神经网络的车道线检测分割方法，其特征在于，所述步骤(2)包括如下子步骤：
(2.1)选取标准梯度下降法作为步骤(1.3)中神经网络的训练算法，设置该算法中批尺寸(batch size)、动量项(momentum)、权重衰减项(weight decay)等参数值，并在车道检测数据集上进行训练。
(2.2)把测试集中的图像传入经过步骤(2.1)训练的模型，将模型的输出与真实标记(Ground Truth)进行比较，统计真实标记中车道线和背景正确识别的概率，计算训练后的模型的精确率、召回率、准确率和F1等性能指标。
(2.3)调整步骤(1.1)中网络的卷积核宽度和步骤(1.3)中注意力门的连接方式，重新使用步骤(2.1)中的方法训练神经网络，并通过步骤(2.2)评估不同的网络结构对应的性能，选取性能最优的模型作为车道线检测器。
4.根据权利要求3所述的基于注意力空间卷积神经网络的车道线检测分割方法，其特征在于，所述步骤(3)包括如下子步骤：
(3.1)读取车载摄像头获取的车道图像，将图像的分辨率统一为1280*720后，传入步骤(2.3)中的车道线检测器，输出车道线的概率图。
(3.2)在步骤(3.1)输出的车道线概率图中，为了分割不同的车道线，把每条车道线视为一类，像素点的数值为属于对应车道线的概率，通过三次样条插值连接每条车道线上数值大于设定阈值的像素点，获得车道线的曲线，实现车道线的检测与分割。
CN202011550418.1A 2020-12-24 2020-12-24 一种基于注意力空间卷积神经网络的车道线检测分割方法 Pending CN112633177A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011550418.1A CN112633177A (zh) 2020-12-24 2020-12-24 一种基于注意力空间卷积神经网络的车道线检测分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011550418.1A CN112633177A (zh) 2020-12-24 2020-12-24 一种基于注意力空间卷积神经网络的车道线检测分割方法

Publications (1)

Publication Number Publication Date
CN112633177A true CN112633177A (zh) 2021-04-09

Family

ID=75324718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011550418.1A Pending CN112633177A (zh) 2020-12-24 2020-12-24 一种基于注意力空间卷积神经网络的车道线检测分割方法

Country Status (1)

Country Link
CN (1) CN112633177A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610854A (zh) * 2021-10-11 2021-11-05 深圳市商汤科技有限公司 一种线索缺陷检测方法、终端设备以及计算机存储介质
CN114120069A (zh) * 2022-01-27 2022-03-01 四川博创汇前沿科技有限公司 基于方向自注意力的车道线检测系统、方法和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190080456A1 (en) * 2017-09-12 2019-03-14 Shenzhen Keya Medical Technology Corporation Method and system for performing segmentation of image having a sparsely distributed object
CN110276267A (zh) * 2019-05-28 2019-09-24 江苏金海星导航科技有限公司 基于Spatial-LargeFOV深度学习网络的车道线检测方法
CN111242037A (zh) * 2020-01-15 2020-06-05 华南理工大学 基于结构信息的车道线检测方法
CN111523546A (zh) * 2020-04-16 2020-08-11 湖南大学 图像语义分割方法、系统及计算机存储介质
CN111582083A (zh) * 2020-04-25 2020-08-25 华南理工大学 一种基于消失点估计与语义分割的车道线检测方法
WO2020181685A1 (zh) * 2019-03-12 2020-09-17 南京邮电大学 一种基于深度学习的车载视频目标检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190080456A1 (en) * 2017-09-12 2019-03-14 Shenzhen Keya Medical Technology Corporation Method and system for performing segmentation of image having a sparsely distributed object
WO2020181685A1 (zh) * 2019-03-12 2020-09-17 南京邮电大学 一种基于深度学习的车载视频目标检测方法
CN110276267A (zh) * 2019-05-28 2019-09-24 江苏金海星导航科技有限公司 基于Spatial-LargeFOV深度学习网络的车道线检测方法
CN111242037A (zh) * 2020-01-15 2020-06-05 华南理工大学 基于结构信息的车道线检测方法
CN111523546A (zh) * 2020-04-16 2020-08-11 湖南大学 图像语义分割方法、系统及计算机存储介质
CN111582083A (zh) * 2020-04-25 2020-08-25 华南理工大学 一种基于消失点估计与语义分割的车道线检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侯亮: "城市环境中路基交通标志检测、识别与驾驶决策支持", 《万方数据知识服务平台》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610854A (zh) * 2021-10-11 2021-11-05 深圳市商汤科技有限公司 一种线索缺陷检测方法、终端设备以及计算机存储介质
CN113610854B (zh) * 2021-10-11 2022-04-01 深圳市商汤科技有限公司 一种线索缺陷检测方法、终端设备以及计算机存储介质
WO2023060885A1 (zh) * 2021-10-11 2023-04-20 上海商汤智能科技有限公司 一种线索缺陷检测方法、终端设备、计算机存储介质和计算机程序产品
CN114120069A (zh) * 2022-01-27 2022-03-01 四川博创汇前沿科技有限公司 基于方向自注意力的车道线检测系统、方法和存储介质
CN114120069B (zh) * 2022-01-27 2022-04-12 四川博创汇前沿科技有限公司 基于方向自注意力的车道线检测系统、方法和存储介质

Similar Documents

Publication Publication Date Title
CN111274976B (zh) 基于视觉与激光雷达多层次融合的车道检测方法及系统
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
CN111695448B (zh) 一种基于视觉传感器的路侧车辆识别方法
CN108596055B (zh) 一种复杂背景下高分辨遥感图像的机场目标检测方法
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN110414387A (zh) 一种基于道路分割的车道线多任务学习检测方法
CN107016677A (zh) 一种基于fcn和cnn的云图分割方法
CN110298227B (zh) 一种基于深度学习的无人机航拍图像中的车辆检测方法
CN101901343A (zh) 基于立体约束的遥感影像道路提取方法
CN112489054A (zh) 一种基于深度学习的遥感图像语义分割方法
CN112633177A (zh) 一种基于注意力空间卷积神经网络的车道线检测分割方法
CN111259796A (zh) 一种基于图像几何特征的车道线检测方法
CN110097047B (zh) 一种基于深度学习采用单线激光雷达的车辆检测方法
CN111598098A (zh) 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法
CN110532961A (zh) 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法
CN115205264A (zh) 一种基于改进YOLOv4的高分辨率遥感船舶检测方法
CN114120272A (zh) 一种融合边缘检测的多监督智能车道线语义分割方法
CN112257793A (zh) 一种基于改进YOLO v3算法的远距离交通标志检测方法
CN113095152A (zh) 一种基于回归的车道线检测方法及系统
CN114913498A (zh) 一种基于关键点估计的并行多尺度特征聚合车道线检测方法
CN112766056A (zh) 一种基于深度神经网络的弱光环境车道线检测方法、装置
CN116580322A (zh) 一种地面背景下无人机红外小目标检测方法
CN114332921A (zh) 基于改进聚类算法的Faster R-CNN网络的行人检测方法
CN112836573A (zh) 一种基于对抗生成网络的车道线图像增强与补全方法
CN117115690A (zh) 一种基于深度学习和浅层特征增强的无人机交通目标检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210409