CN116363619A - 一种注意力机制的车道线检测方法、系统、设备及介质 - Google Patents
一种注意力机制的车道线检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116363619A CN116363619A CN202310355442.7A CN202310355442A CN116363619A CN 116363619 A CN116363619 A CN 116363619A CN 202310355442 A CN202310355442 A CN 202310355442A CN 116363619 A CN116363619 A CN 116363619A
- Authority
- CN
- China
- Prior art keywords
- lane line
- network model
- attention mechanism
- training
- improved
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000007246 mechanism Effects 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012795 verification Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 7
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
一种注意力机制的车道线检测方法、系统、设备及介质,包括:获取车道线数据集,并对车道线数据集进行预处理;将预处理后的车道线数据集进行划分,得到训练集和验证集;构建检测网络模型,并融合改进的注意力机制模块,得到融合后的特征图;将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练;将融合后的特征图通过对训练集图像中目标的位置和类别进行预测,得到预测结果,并通过验证集对改进后的网络模型进行验证。
Description
技术领域
本发明涉及到计算机视觉的目标检测领域,特别涉及一种注意力机制的车道线检测方法、系统、设备及介质。
背景技术
近十年来,随着车载智能设备的普及和车路协同系统的完善,自动驾驶越来越受到关注。车道检测是许多智能高级驾驶辅助系统(ADAS)的基本步骤,例如车道偏离警告系统,当车辆偏离车道时向驾驶员发出警告。ADAS与其他交通信息检测技术逐渐成熟,并被广泛集成到汽车尤其是电动汽车中,人们逐渐习惯了自动驾驶。然而,当在真实道路上测试时,复杂的道路条件,如遮挡、照明等因素而使车道线结构不完整,容易产生漏检,从而让车道线检测具有挑战性。
发明内容
本发明的目的在于一种注意力机制的车道线检测方法、系统、设备及介质,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
第一方面,本发明提供一种注意力机制的车道线检测方法,包括:
获取车道线数据集,并对车道线数据集进行预处理;
将预处理后的车道线数据集进行划分,得到训练集和验证集;
构建检测网络模型,并融合改进的注意力机制模块,得到融合后的特征图;
将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练;
将融合后的特征图通过对训练集图像中目标的位置和类别进行预测,得到预测结果,并通过验证集对改进后的网络模型进行验证。
可选的,所述对车道线数据集进行预处理方法,包括:裁剪、翻转变换、颜色变换、混合图像或尺度缩放中的一种或多种。
可选的,所述将预处理后的车道线数据集进行划分,具体为将车道线数据集按照6:2:2划分为训练集、验证集和测试集。
可选的,所述构建检测网络模型,并融合改进的注意力机制模块,得到融合后的特征图,具体包括:
将检测网络模型的主干特征网络融合改进的注意力机制模块,得到融合后的网络模型,将训练集输入融合后的网络模型进行特征提取,得到提取的特征,在融合后的网络模型的基础上加入自适应特征融合机制模块,得到最终的改进后的网络模型,将提取特征的权重参数输入改进后的网络模型中,改进后的网络模型对提取的特征进行学习,得到融合后的特征图。
可选的,所述将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练,具体包括:
将融合后的特征图通过检测模块来对训练集图像中目标的位置和类别进行预测,在类别不平衡时,负样本的存在增加了模型的损失值,由此引入Focal loss损失函数,其公式如(1)所示:
在公式(1)中加了γ因子,其中γ>0,y是真实样本,其取值范围在0-1之间。
可选的,当训练得到的loss值不在下降趋于稳定时,不在进行训练。
可选的,所述通过验证集对改进后的网络模型进行验证,具体包括:
将验证集输入改进后的网络模型中,通过实验训练得到最优权重,对测试集中的图片进行测试,获得最终的检测结果。
第二方面,本发明提供一种注意力机制的车道线检测系统,包括:
数据获取模块,用于获取车道线数据集,并对车道线数据集进行预处理;
数据划分模块,用于将预处理后的车道线数据集进行划分,得到训练集和验证集;
融合模块,用于构建检测网络模型,并融合改进的注意力机制模块,得到融合后的特征图;
训练模块,用于将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练;
预测模块,用于将融合后的特征图通过对训练集图像中目标的位置和类别进行预测,得到预测结果,并通过验证集对改进后的网络模型进行验证。
第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现一种注意力机制的车道线检测方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现一种注意力机制的车道线检测方法的步骤。
与现有技术相比,本发明有以下技术效果:
1、提供一种注意力机制的车道线检测方法,对车道线数据进行划分,得到训练集和验证集,融合改进的注意力机制模块,将训练集输入改进后的网络模型中利用Focalloss损失函数进行训练;将融合后的特征图通过对训练集图像中目标的位置和类别进行预测,其本质是通过神经网络自主学习出的一组权重系数,并以“动态加权”的方式来增强我们所感兴趣区域的信息同时抑制不相关区域的信息。使网络能够满足车辆的实时性,并提高车道线检测的精度,减少其漏检率。
2、通过结合注意力机制模块和损失函数的优化减少环境对检测内容的干扰,使检测的结果更精确。
附图说明
图1为本发明整体流程图;
图2为本发明详细流程图;
图3为本发明系统结构图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
实施例1,请参阅图1,一种注意力机制的车道线检测方法,包括:
获取车道线数据集,并对车道线数据集进行预处理;
将预处理后的车道线数据集进行划分,得到训练集和验证集;
构建检测网络模型,并融合改进的注意力机制模块,得到融合后的特征图;
将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练;
将融合后的特征图通过对训练集图像中目标的位置和类别进行预测,得到预测结果,并通过验证集对改进后的网络模型进行验证。
实施例2
本发明再一实施例中,如图2所示,公开了本发明的具体步骤:
该方法包括下列顺序的步骤:
(1)获取车道线数据集,对获取的车道线数据集中的数据通过裁剪、翻转变换、颜色变换、混合图像和尺度缩放等方法进行数据增强处理,再将车道线数据集按照6:2:2划分为训练集、验证集和测试集;
(2)构建检测网络模型;
(3)将检测网络模型的主干特征网络融合改进的注意力机制模块,得到融合后的网络模型,将训练集输入融合后的网络模型进行特征提取,得到提取的特征,在融合后的网络模型的基础上加入自适应特征融合机制模块,得到最终的改进后的网络模型,将提取特征的权重参数输入改进后的网络模型中,改进后的网络模型对提取的特征进行学习,得到融合后的特征图,将训练集输入改进后的网络模型中训练,当训练得到的loss值不在下降趋于稳定时,不在进行训练;
(4)将融合后的特征图通过检测模块来对训练集图像中目标的位置和类别进行预测,得到预测结果,在类别不平衡时,负样本的存在增加了模型的损失值。由此引入Focalloss损失函数,其公式如(1)所示:
在公式(1)中加了因子,其中>0,y是真实样本,其取值范围在0-1之间。可以减少易分类样本的损失,使检测模型更关注于难分类的样本。利用Focal loss损失函数训练改进后的网络模型;
(5)将验证集输入改进后的网络模型中,通过实验训练得到最优权重,对测试集中的图片进行测试,获得最终的检测结果。
实施例3
本发明再一实施例中,提供一种注意力机制的车道线检测系统,能够用于实现上述的一种注意力机制的车道线检测方法,具体的,该系统包括:
数据获取模块,用于获取车道线数据集,并对车道线数据集进行预处理;
数据划分模块,用于将预处理后的车道线数据集进行划分,得到训练集和验证集;
融合模块,用于构建检测网络模型,并融合改进的注意力机制模块,得到融合后的特征图;
训练模块,用于将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练;
预测模块,用于将融合后的特征图通过对训练集图像中目标的位置和类别进行预测,得到预测结果,并通过验证集对改进后的网络模型进行验证。
本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本发明各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于一种注意力机制的车道线检测方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关一种注意力机制的车道线检测方法的相应步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种注意力机制的车道线检测方法,其特征在于,包括:
获取车道线数据集,并对车道线数据集进行预处理;
将预处理后的车道线数据集进行划分,得到训练集和验证集;
构建检测网络模型,并融合改进的注意力机制模块,得到融合后的特征图;
将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练;
将融合后的特征图通过对训练集图像中目标的位置和类别进行预测,得到预测结果,并通过验证集对改进后的网络模型进行验证。
2.根据权利要求1所述的一种注意力机制的车道线检测方法,其特征在于,所述对车道线数据集进行预处理方法,包括:裁剪、翻转变换、颜色变换、混合图像或尺度缩放中的一种或多种。
3.根据权利要求1所述的一种注意力机制的车道线检测方法,其特征在于,所述将预处理后的车道线数据集进行划分,具体为将车道线数据集按照6:2:2划分为训练集、验证集和测试集。
4.根据权利要求1所述的一种注意力机制的车道线检测方法,其特征在于,所述构建检测网络模型,并融合改进的注意力机制模块,得到融合后的特征图,具体包括:
将检测网络模型的主干特征网络融合改进的注意力机制模块,得到融合后的网络模型,将训练集输入融合后的网络模型进行特征提取,得到提取的特征,在融合后的网络模型的基础上加入自适应特征融合机制模块,得到最终的改进后的网络模型,将提取特征的权重参数输入改进后的网络模型中,改进后的网络模型对提取的特征进行学习,得到融合后的特征图。
6.根据权利要求5所述的一种注意力机制的车道线检测方法,其特征在于,当训练得到的loss值不在下降趋于稳定时,不在进行训练。
7.根据权利要求1所述的一种注意力机制的车道线检测方法,其特征在于,所述通过验证集对改进后的网络模型进行验证,具体包括:
将验证集输入改进后的网络模型中,通过实验训练得到最优权重,对测试集中的图片进行测试,获得最终的检测结果。
8.一种注意力机制的车道线检测系统,其特征在于,包括:
数据获取模块,用于获取车道线数据集,并对车道线数据集进行预处理;
数据划分模块,用于将预处理后的车道线数据集进行划分,得到训练集和验证集;
融合模块,用于构建检测网络模型,并融合改进的注意力机制模块,得到融合后的特征图;
训练模块,用于将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练;
预测模块,用于将融合后的特征图通过对训练集图像中目标的位置和类别进行预测,得到预测结果,并通过验证集对改进后的网络模型进行验证。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述一种注意力机制的车道线检测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种注意力机制的车道线检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310355442.7A CN116363619A (zh) | 2023-03-31 | 2023-03-31 | 一种注意力机制的车道线检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310355442.7A CN116363619A (zh) | 2023-03-31 | 2023-03-31 | 一种注意力机制的车道线检测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116363619A true CN116363619A (zh) | 2023-06-30 |
Family
ID=86904518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310355442.7A Pending CN116363619A (zh) | 2023-03-31 | 2023-03-31 | 一种注意力机制的车道线检测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363619A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274932A (zh) * | 2023-09-06 | 2023-12-22 | 广州城建职业学院 | 车道线自适应检测方法、系统、装置及存储介质 |
-
2023
- 2023-03-31 CN CN202310355442.7A patent/CN116363619A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274932A (zh) * | 2023-09-06 | 2023-12-22 | 广州城建职业学院 | 车道线自适应检测方法、系统、装置及存储介质 |
CN117274932B (zh) * | 2023-09-06 | 2024-05-07 | 广州城建职业学院 | 车道线自适应检测方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN111582189A (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
EP3979196A1 (en) | Image processing method and apparatus for target detection | |
CN111461221A (zh) | 一种面向自动驾驶的多源传感器融合目标检测方法和系统 | |
CN110599497A (zh) | 一种基于深度神经网络的可行驶区域分割方法 | |
CN111091023A (zh) | 一种车辆检测方法、装置及电子设备 | |
CN116363619A (zh) | 一种注意力机制的车道线检测方法、系统、设备及介质 | |
CN112654998B (zh) | 一种车道线检测方法和装置 | |
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 | |
CN115019279A (zh) | 一种基于MobileNet轻量化网络的上下文特征融合方法 | |
CN115376089A (zh) | 一种基于深度学习的车道线检测方法 | |
CN111444847A (zh) | 一种交通标志检测识别方法、系统、装置及存储介质 | |
CN113343873B (zh) | 信号灯识别方法、装置、设备、介质及产品 | |
CN117593623A (zh) | 基于改进YOLOv8n模型的轻量化车辆检测方法 | |
CN114792416A (zh) | 一种目标检测方法及装置 | |
CN117152513A (zh) | 一种面向夜间场景的车辆边界定位方法 | |
CN111210411A (zh) | 图像中灭点的检测方法、检测模型训练方法和电子设备 | |
CN116343148A (zh) | 车道线检测方法、装置、车辆及存储介质 | |
CN115346184A (zh) | 一种车道信息检测方法、终端及计算机存储介质 | |
CN112651326B (zh) | 一种基于深度学习的驾驶员手部检测方法及系统 | |
CN113591543B (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN113469955A (zh) | 一种光伏组件故障区图像检测方法及系统 | |
CN115063594B (zh) | 一种基于自动驾驶的特征提取方法及装置 | |
CN115222940B (zh) | 一种语义分割方法、系统、设备和存储介质 |
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 |