基于多功能空洞Transformer与局部语义引导的车道线检测
计算机视觉与模式识别
2022-03-09 v1 人工智能
摘要
车道线检测是自动驾驶的核心功能之一，近年来引起了广泛关注。用于分割车道实例（尤其是外观不佳者）的网络必须能够探索车道分布特性。大多数现有方法倾向于借助基于 CNN 的技术。少数尝试融入近期受欢迎的 seq2seq Transformer \cite{transformer}。然而，它们固有的全局信息收集能力弱与计算开销过高的缺点阻碍了进一步的广泛应用。在本工作中，我们提出空洞 Transformer（AtrousFormer）来解决该问题。其变体局部 AtrousFormer 交错嵌入特征提取器中以增强提取。它们先按行、再按列以专用方式收集信息，最终使我们的网络具备更强的信息 gleaning 能力与更好的计算效率。为进一步提升性能，我们还提出局部语义引导解码器以更准确地描绘车道的身份与形状，其中每条车道起点的预测高斯图用于引导该过程。在三个具挑战性基准（CULane、TuSimple 和 BDD100K）上的大量结果表明，我们的网络优于当前最优方法。
引用
@article{arxiv.2203.04067,
title = {Lane Detection with Versatile AtrousFormer and Local Semantic Guidance},
author = {Jiaxing Yang and Lihe Zhang and Huchuan Lu},
journal= {arXiv preprint arXiv:2203.04067},
year = {2022}
}