基于深度霍夫变换的半监督车道检测
计算机视觉与模式识别
2021-06-10 v1
摘要
当前车道检测的工作依赖于大规模人工标注数据集。我们通过利用大量廉价可用的无标签数据来减少对标注的依赖。我们提出了一种在霍夫空间中利用车道几何知识的新损失函数，其中车道可被识别为局部最大值。通过将车道分割到不同通道，我们可以通过简单的全局最大池化来定位每条车道。最大值的位置编码了车道的布局，而其强度指示了车道存在的概率。最大化最大 bin 的对数概率有助于神经网络在无标签情况下找到车道。在 CULane 和 TuSimple 数据集上，我们表明所提出的霍夫变换损失通过从大量无标签图像中学习显著提升了性能。
引用
@article{arxiv.2106.05094,
title = {Semi-supervised lane detection with Deep Hough Transform},
author = {Yancong Lin and Silvia-Laura Pintea and Jan van Gemert},
journal= {arXiv preprint arXiv:2106.05094},
year = {2021}
}
备注
ICIP2021