基于注意力的 U-Net 方法用于自动驾驶车道检测
计算机视觉与模式识别
2024-11-19 v1
摘要
车道检测涉及识别道路上的车道并精确确定其位置和形状。这是现代辅助驾驶和自动驾驶系统的一项关键技术。然而，车道的几个独特属性给检测方法带来了挑战。缺乏显著特征可能导致车道检测算法被其他外观相似的物体所混淆。此外，车道数量的变化以及车道线样式的多样性，如实线、虚线、单线、双线、合流线和分流线，进一步增加了任务的复杂性。为应对这些挑战，可以采用多种方式使用深度学习（DL）方法。将深度学习模型与注意力机制融合，近来已成为一种新方法。在此背景下，本研究提出了两种基于深度学习的车道识别方法。第一种方法采用特征金字塔网络（FPN）模型，在检测道路车道方面达到了 87.59% 的准确率。第二种方法将注意力层融入 U-Net 模型，显著提升了语义分割任务的性能。该先进模型取得了高达 98.98% 的准确率，远超基础 U-Net 模型，在对比分析中清晰地展示了其相对于现有方法的优越性。这项研究的突破性发现为开发更有效、更可靠的道路车道检测方法铺平了道路，显著提升了现代辅助驾驶和自动驾驶系统的能力。
引用
@article{arxiv.2411.10902,
title = {Attention-based U-Net Method for Autonomous Lane Detection},
author = {Mohammadhamed Tangestanizadeh and Mohammad Dehghani Tezerjani and Saba Yousefian Jazi},
journal= {arXiv preprint arXiv:2411.10902},
year = {2024}
}