基于Transformer的端到端车道形状预测
计算机视觉与模式识别
2020-12-01 v2 人工智能
摘要
车道检测是将车道标记识别为近似曲线的过程,广泛用于自动驾驶车辆的车道偏离预警和自适应巡航控制。将其分两步解决的主流流程——特征提取加后处理,虽然有用,但在学习全局上下文以及车道细长结构方面效率太低且存在缺陷。为解决这些问题,我们提出了一种端到端方法,利用基于transformer构建的网络学习更丰富的结构和上下文,直接输出车道形状模型的参数。车道形状模型基于道路结构和相机位姿建立,为网络输出参数提供物理解释。transformer通过自注意力机制建模非局部交互,以捕获细长结构和全局上下文。所提方法在TuSimple基准上得到验证,以最轻量的模型规模和最快的速度展示了最先进的精度。此外,我们的方法对具有挑战性的自采集车道检测数据集表现出优异的适应性,显示了其在真实应用中的强大部署潜力。代码见https://github.com/liuruijin17/LSTR。
引用
@article{arxiv.2011.04233,
title = {End-to-end Lane Shape Prediction with Transformers},
author = {Ruijin Liu and Zejian Yuan and Tie Liu and Zhiliang Xiong},
journal= {arXiv preprint arXiv:2011.04233},
year = {2020}
}
备注
9 pages, 7 figures, accepted by WACV 2021