典型文献
LaneSegNet:一种高效的车道线检测方法
文献摘要：
车道线检测在智能交通领域占有重要地位,其检测的准确度和速度对于辅助驾驶以及自动驾驶有重要影响.针对目前深度学习方法识别车道线精度差、速度慢的问题,提出了一种高效的车道线分割方法LaneSegNet.首先基于编码和解码网络原理构建主干网络Lane?Net,用于提取车道线特征信息并分割出车道线;然后使用多尺度空洞卷积特征融合网络,可以极大地扩充模型的感受野,提取全局特征信息;最后使用混合注意力网络获取丰富的车道线特征,并增强与当前任务相关的信息.实验结果表明:在TuSimple数据集上,该方法检测车道线的准确率为97.6％;在CULane数据集上,该方法在标准路面的检测准确率达到92.5％,多种路面综合检测准确率为75.2％.本文提出的LaneSegNet车道线检测方法分割精确度和推理速度优于其他对比模型,且具有更强的适应性和鲁棒性.
文献关键词：
智能交通;车道线检测;空洞卷积;注意力机制
中图分类号：
作者姓名：
胡序洋;高尚兵;汪长春;胡立伟;李少凡
作者机构：
淮阴工学院 计算机与软件工程学院/江苏省物联网移动互联网技术工程实验室,淮安,223001;昆明理工大学 交通工程学院,昆明,650093
文献出处：
引用格式：
[1]胡序洋;高尚兵;汪长春;胡立伟;李少凡-.LaneSegNet:一种高效的车道线检测方法)[J].南京信息工程大学学报,2022(05):551-558
A类：
LaneSegNet,TuSimple
B类：
车道线检测,智能交通,交通领域,辅助驾驶,自动驾驶,深度学习方法,方法识别,速度慢,分割方法,解码,主干网络,线特征,特征信息,割出,出车,空洞卷积,卷积特征融合,特征融合网络,充模,感受野,全局特征,混合注意力,注意力网络,当前任务,检测车,CULane,检测准确率,综合检测,推理速度,对比模型,注意力机制
AB值：
0.328176
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
