HoughLaneNet：基于深度霍夫变换与动态卷积的车道检测
计算机视觉与模式识别
2023-07-10 v1 机器学习
摘要
车道检测任务因其复杂性在自动驾驶领域备受关注。车道可能狭窄、断裂且常被密集交通遮挡，给检测带来困难。但观察到车道具有类似直线的几何结构，利用该特性可改善车道检测结果。为应对此挑战，我们提出一种分层深度霍夫变换（DHT）方法，将图像中所有车道特征整合至霍夫参数空间；此外，我们改进点选择方法并引入动态卷积模块以有效区分原图像中的车道。我们的网络架构包括骨干网络（ResNet 或 Pyramid Vision Transformer）、作为颈部的特征金字塔网络以提取多尺度特征，以及基于分层 DHT 的特征聚合头以精确分割每条车道。通过利用霍夫参数空间中的车道特征，网络学习与各车道对应的动态卷积核参数，使动态卷积模块有效区分车道特征。随后车道特征送入特征解码器预测车道最终位置。我们提出的网络结构在检测严重遮挡或磨损车道图像上表现更优，大量实验结果表明该方法优于或与最先进技术相当。
引用
@article{arxiv.2307.03494,
title = {HoughLaneNet: Lane Detection with Deep Hough Transform and Dynamic Convolution},
author = {Jia-Qi Zhang and Hao-Bin Duan and Jun-Long Chen and Ariel Shamir and Miao Wang},
journal= {arXiv preprint arXiv:2307.03494},
year = {2023}
}