基于交叉相似度的对比学习车道线检测方法

由于车道线本身复杂且易受不利条件影响，道路场景中车道线标记的检测颇具挑战。尽管车道线具有强形状先验，但其可见性易受光照条件、其他车辆或行人遮挡以及颜色随时间褪色的损害。多种车道形状与自然变化进一步增加了检测难度，需要大量数据来训练能够应对各类场景的鲁棒车道检测模型。本文提出一种新颖的自监督学习方法——基于交叉相似度的车道检测对比学习（CLLD），以增强车道检测模型在真实场景中的鲁棒性，尤其在车道可见性受损时。CLLD引入一种对比学习（CL）方法，在输入图像的全局上下文中评估局部特征的相似性，利用周边信息预测车道标记。该方法通过将局部特征对比学习与所提出的交叉相似操作相结合来实现。局部特征CL专注于从小块中提取特征，这是准确定位车道段的必要手段；而交叉相似度捕捉全局特征，从而能基于周边环境检测被遮挡的车道段。我们在增强过程中通过随机掩码部分输入图像来强化交叉相似度。在TuSimple和CuLane基准上的大量实验表明，CLLD优于SOTA对比学习方法，尤其在阴影等损害可见性的条件下，同时在正常条件下也取得相当的结果。与监督学习相比，CLLD在阴影和拥挤场景等真实驾驶常见挑战性场景中仍表现更优。