PriorLane：一种基于 Transformer 的先验知识增强车道检测方法
计算机视觉与模式识别
2023-02-08 v3
摘要
车道检测是自动驾驶的基础模块之一。本文采用纯 Transformer 方法进行车道检测，从而受益于全视觉 Transformer 的蓬勃发展，并通过在大型数据集上充分预训练权重微调，在 CULane 与 TuSimple 基准上均达到最先进（SOTA）性能。更重要的是，本文提出一种新颖且通用的框架 PriorLane，用于通过引入低成本的局部先验知识来增强全视觉 Transformer 的分割性能。具体而言，PriorLane 利用仅编码器的 Transformer，将预训练分割模型提取的特征与先验知识嵌入相融合。需注意，我们采用知识嵌入对齐（KEA）模块，通过对齐知识嵌入来增强融合性能。在我们自建的 Zjlab 数据集上的大量实验表明，引入先验知识时 PriorLane 以 2.82% mIoU 优于 SOTA 车道检测方法，代码将发布于：https://github.com/vincentqqb/PriorLane。
引用
@article{arxiv.2209.06994,
title = {PriorLane: A Prior Knowledge Enhanced Lane Detection Approach Based on Transformer},
author = {Qibo Qiu and Haiming Gao and Wei Hua and Gang Huang and Xiaofei He},
journal= {arXiv preprint arXiv:2209.06994},
year = {2023}
}
备注
Accepted by ICRA 2023