自动汽车车道检测的跨数据集分析与网络架构修复
计算机视觉与模式识别
2024-09-27 v1 人工智能
机器学习
摘要
迁移学习已成为解决克服孤立学习范式的常用方法，通过利用为一个任务获取的知识来解决另一个相关任务。然而，仍需进行研究，以确定在进一步应用验证和可解释性之前的初始步骤。本研究对自动驾驶车道检测应用进行了跨数据集分析和网络架构修复。车道检测是自动驾驶辅助系统的重要方面。尽管现代基于深度学习的车道识别系统在大多数情况下表现良好，但在面对复杂拓扑结构的车道时仍显挑战。提出的架构ERFCondLaneNet是CondlaneNet框架的改进，用于解决检测具有密集、曲线和分支车线等复杂拓扑车道的困难。新提出的技术在两个常见的车道检测基准数据集CULane和CurveLanes上进行了测试，分别使用ResNet和ERFNet两种不同的主干网络。研究中的ERFCondLaneNet技术在性能上与ResnetCondLaneNet相当，但使用了33%更少的特征，最终将模型大小缩减了46%。
引用
@article{arxiv.2409.17158,
title = {Cross Dataset Analysis and Network Architecture Repair for Autonomous Car Lane Detection},
author = {Parth Ganeriwala and Siddhartha Bhattacharyya and Raja Muthalagu},
journal= {arXiv preprint arXiv:2409.17158},
year = {2024}
}