基于高效卷积网络的多类车道语义分割
计算机视觉与模式识别
2019-07-23 v1
摘要
车道检测在自动驾驶车辆中起着重要作用。若干研究利用语义分割网络提取鲁棒的车道特征，但其中很少能区分不同类型的车道。本文关注多类车道语义分割问题。基于车道在道路场景图像中是尺寸小且宽度窄的物体的观察，我们提出两种技术：特征尺寸选择（FSS）和递减膨胀块（DD Block）。FSS 使网络能够使用合适的特征尺寸提取细车道特征。为获取细粒度空间信息，DD Block 由一系列具有递减膨胀率的空洞卷积构成。实验结果表明，所提技术在精度上带来明显提升，同时与基线系统相比达到相同或更快的推理速度，并能在高分辨率图像上实时运行。
引用
@article{arxiv.1907.09438,
title = {Multi-Class Lane Semantic Segmentation using Efficient Convolutional Networks},
author = {Shao-Yuan Lo and Hsueh-Ming Hang and Sheng-Wei Chan and Jing-Jhih Lin},
journal= {arXiv preprint arXiv:1907.09438},
year = {2019}
}
备注
Accepted in IEEE International Workshop on Multimedia Signal Processing (MMSP) 2019