典型文献
基于Transformer的车道线分割算法研究
文献摘要：
车道线检测任务包含道路磨损、阴影遮挡和弯道等困难样本,这些样本中线条信息均有不同程度的缺失,使检测结果出现漏检或误检现象.基于深度学习的检测方案通过卷积操作提取特征信息.卷积操作摒弃人工设计滤波器等一系列传统图像处理的繁琐操作,得益于权重共享和归纳偏置大大减少了特征提取的工作量.该操作在缩小图像分辨率的同时获取长距离的信息,导致小分辨率的特征图损失区域边缘等细节,影响检测结果的质量.深度学习中分割模型比检测模型处理的信息更细致,本文在分割模型的基础上引入Transformer改进采样方式,改善卷积操作在获取全局信息上的不足.模型改进后在Tusimple上测试准确率提高0.4％,像素精准度提高0.3,乘法累加运算量增加36.09 G.结果表明Transformer特有的采样方式可以改善卷积操作采样的不足,改善语义分割网络对车道线困难样本识别漏检的情况.
文献关键词：
车道线检测;语义分割;Transformer;U-Net
中图分类号：
作者姓名：
丁志江;李丹;马志程;张宝龙
作者机构：
天津科技大学电子信息与自动化学院 天津300222
文献出处：
引用格式：
[1]丁志江;李丹;马志程;张宝龙-.基于Transformer的车道线分割算法研究)[J].电子测量与仪器学报,2022(10):227-234
A类：
B类：
Transformer,分割算法,算法研究,车道线检测,阴影遮挡,弯道,困难样本,中线,线条,漏检,检测方案,卷积操作,提取特征,特征信息,摒弃,滤波器,列传,权重共享,偏置,大大减少,图像分辨率,长距离,特征图,影响检测结果,分割模型,检测模型,模型处理,采样方式,全局信息,模型改进,Tusimple,像素,累加,运算量,语义分割网络,Net
AB值：
0.395751
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。
