FusionLane：基于深度神经网络的多传感器融合车道线语义分割
计算机视觉与模式识别
2020-03-11 v1 人工智能
摘要
在车道级高精度地图构建过程中，实现车道线有效的语义分割是至关重要的一步。近年来，许多图像语义分割方法被提出。这些方法主要关注来自摄像机的图像，由于传感器自身的限制，无法获取车道线准确的三维空间位置，因此无法满足车道级高精度地图构建的需求。本文提出一种基于激光雷达（LIDAR）与摄像机融合深度神经网络的车道线语义分割方法。与其他方法不同，为获取分割结果的准确位置信息，本文的语义分割对象是由激光雷达点云转换的鸟瞰图，而非摄像机捕获的图像。该方法首先使用 deeplabv3+ [\ref{ref:1}] 网络对摄像机捕获的图像进行分割，并将分割结果与激光雷达采集的点云合并作为所提网络的输入。在该神经网络中，我们还加入了长短期记忆（LSTM）结构，利用时序信息辅助网络进行车道线语义分割。在超过 14,000 张我们手动标注和扩充的图像数据集上的实验表明，所提方法在点云鸟瞰图的语义分割上具有更好的性能。因此，高精度地图构建的自动化程度可显著提升。我们的代码可在 https://github.com/rolandying/FusionLane 获取。
引用
@article{arxiv.2003.04404,
title = {FusionLane: Multi-Sensor Fusion for Lane Marking Semantic Segmentation Using Deep Neural Networks},
author = {Ruochen Yin and Biao Yu and Huapeng Wu and Yutao Song and Runxin Niu},
journal= {arXiv preprint arXiv:2003.04404},
year = {2020}
}