基于扩展自注意力的鲁棒车道检测
计算机视觉与模式识别
2021-10-27 v3
摘要
基于图像的车道检测算法是自动驾驶车辆的关键技术之一。现代深度学习方法在车道检测上取得了高性能，但在拥堵道路和极端光照条件等挑战性场景下仍难以准确检测车道。为在这些挑战性场景下保持鲁棒，即便从有限的视觉线索中也要提取全局上下文信息，这一点十分重要。本文中，我们提出一种简单但强大的、针对车道检测优化的自注意力机制，称为扩展自注意力（ESA）模块。受车道简单几何结构的启发，所提方法沿图像中的垂直与水平方向预测车道的置信度。该置信度预测能够通过提取全局上下文信息来估计被遮挡的位置。ESA模块易于实现并可应用于任何基于编码器-解码器的模型而不增加推理时间。我们的方法在三个流行的车道检测基准（TuSimple、CULane和BDD100K）上进行了评估。我们在CULane和BDD100K上取得了最先进的性能，并在TuSimple数据集上获得显著提升。实验结果表明我们的方法对遮挡和极端光照条件具有鲁棒性。
引用
@article{arxiv.2102.07037,
title = {Robust Lane Detection via Expanded Self Attention},
author = {Minhyeok Lee and Junhyeop Lee and Dogyoon Lee and Woojin Kim and Sangwon Hwang and Sangyoun Lee},
journal= {arXiv preprint arXiv:2102.07037},
year = {2021}
}
备注
Accepted to IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2022