一种用于车道检测的混合时空深度学习架构
计算机视觉与模式识别
2022-07-21 v5 人工智能
机器学习
图像与视频处理
摘要
准确可靠的车道检测对于车道保持辅助和车道偏离预警系统的安全性能至关重要。然而，在某些具有挑战性的环境下，如当前文献中大多所做的那样，从单幅图像中准确检测车道难以获得令人满意的性能。由于车道标线是连续的线，若结合前一帧的信息，当前单幅图像中难以准确检测的车道有可能被更好地推断出来。本研究提出了一种新颖的混合时空（ST）序列到一深度学习架构。该架构充分利用多帧连续图像中的时空信息来检测最后一帧中的车道标线。具体而言，该混合模型整合了以下方面：（a）配备空间卷积神经网络的单图像特征提取模块；（b）由时空循环神经网络构建的时空特征整合模块；（c）编码器-解码器结构，使该图像分割问题以端到端监督学习形式工作。大量实验表明，所提出的模型架构能有效处理具有挑战性的驾驶场景，并优于现有的 state-of-the-art 方法。
引用
@article{arxiv.2110.04079,
title = {A Hybrid Spatial-temporal Deep Learning Architecture for Lane Detection},
author = {Yongqi Dong and Sandeep Patil and Bart van Arem and Haneen Farah},
journal= {arXiv preprint arXiv:2110.04079},
year = {2022}
}
备注
18 pages, 5 figures. Published by Computer-Aided Civil and Infrastructure Engineering (CACIE). Open access from https://doi.org/10.1111/mice.12829