ContinuityLearner：用于车道分割的几何连续性特征学习
计算机视觉与模式识别
2021-08-10 v1 机器人学
摘要
车道分割是自动驾驶系统设计中的一项挑战性问题，因为车道标记由于遮挡或极端光照而表现出较弱的纹理一致性，但在交通图像中具有强烈的几何连续性，常规卷积神经网络（CNNs）难以从中学习语义对象。为使传统 CNN 能够学习车道的几何线索，我们提出一种名为 ContinuityLearner 的深度网络，以更好地学习车道内部的几何先验。具体而言，我们提出的基于 CNN 的范式包含一个新颖的上下文编码图像特征学习网络以生成类依赖的图像特征图，以及一个新编码层，通过融合车道的空间与视觉信息来利用几何连续性特征表示。ContinuityLearner 在车道的几何连续性特征上运行，经训练可直接预测具有集成且连续实例语义的交通场景中的车道。在 CULane 数据集与 Tusimple 基准上的实验结果表明，我们的 ContinuityLearner 在车道分割上优于其他最先进技术。
引用
@article{arxiv.2108.03507,
title = {ContinuityLearner: Geometric Continuity Feature Learning for Lane Segmentation},
author = {Haoyu Fang and Jing Zhu and Yi Fang},
journal= {arXiv preprint arXiv:2108.03507},
year = {2021}
}