RESA：用于车道检测的循环特征偏移聚合器
计算机视觉与模式识别
2021-03-26 v2
摘要
车道检测是自动驾驶中最重要的任务之一。由于各种复杂场景(例如严重遮挡、车道模糊等)以及车道标注固有的稀疏监督信号，车道检测任务仍具挑战性。因此，普通卷积神经网络(CNN)难以在通用场景中训练以从原始图像中捕捉细微的车道特征。本文提出一种名为循环特征偏移聚合器(REcurrent Feature-Shift Aggregator, RESA)的新模块，在普通CNN初步提取特征后丰富车道特征。RESA利用车道的强形状先验，捕捉跨行与跨列的像素空间关系。它在垂直和水平方向上循环偏移切片特征图，使每个像素能够聚集全局信息。RESA通过聚合切片特征图，可在外观线索微弱的高挑战场景中准确推断车道。此外，我们提出一种双边上采样解码器，在上采样阶段结合粗粒度与细粒度特征，可将低分辨率特征图精细恢复为逐像素预测。我们的方法在两个流行的车道检测基准(CULane和Tusimple)上取得了最先进的结果。代码已公开于：https://github.com/ZJULearning/resa。
引用
@article{arxiv.2008.13719,
title = {RESA: Recurrent Feature-Shift Aggregator for Lane Detection},
author = {Tu Zheng and Hao Fang and Yi Zhang and Wenjian Tang and Zheng Yang and Haifeng Liu and Deng Cai},
journal= {arXiv preprint arXiv:2008.13719},
year = {2021}
}