基于关键点估计与点实例分割的车道检测方法
计算机视觉与模式识别
2020-09-15 v4 机器学习
图像与视频处理
摘要
自动驾驶的感知技术应适应各种环境。以交通线检测这一 essential 感知模块为例,需考虑诸多条件,如交通线数量及目标系统的计算能力。为解决这些问题,本文提出一种称为点实例网络(PINet)的交通线检测方法;该方法基于关键点估计与实例分割方法。PINet包含多个同时训练的堆叠沙漏网络。因此训练后模型的大小可根据目标环境的计算能力选择。我们将预测关键点的聚类问题转化为实例分割问题;PINet可不受交通线数量限制进行训练。PINet在TuSimple和Culane车道检测公开数据集上取得了有竞争力的准确率和误检率。我们的代码可在 https://github.com/koyeongmin/PINet_new 获取。
引用
@article{arxiv.2002.06604,
title = {Key Points Estimation and Point Instance Segmentation Approach for Lane Detection},
author = {Yeongmin Ko and Younkwan Lee and Shoaib Azam and Farzeen Munir and Moongu Jeon and Witold Pedrycz},
journal= {arXiv preprint arXiv:2002.06604},
year = {2020}
}
备注
Submitted to "IEEE Transactions on Intelligent Transportation Systems"