典型文献
基于注意力机制和特征聚合的车道线检测
文献摘要：
车道线检测的可靠性和稳定性对智能驾驶系统来说至关重要.由于车道线容易受到光线、遮挡、老化等复杂情况的干扰,导致传统的语义分割网络无法准确的学习到车道线的细节特征.为解决该问题,本文首先在编码网络部分引入CA坐标注意力机制,进一步增强网络对车道线提取能力,然后,在特征聚合网络引入金字塔空洞卷积模块与RESA模块并联来增强模型的感受野,以丰富和提取全局的空间特征信息,最后经过解码网络将融合后的特征图上采样到原图大小,并预测每个车道的位置和概率分布.实验证明,文中提出的算法在CULane数据集上有较高准确率,多路面综合准确率达到76.2％,并通过实车测试表明,该算法检测帧率为30 fps,可以在复杂交通场景下进行实时检测,具有较高的泛化性和鲁棒性.
文献关键词：
车道线检测;语义分割;注意力机制;特征聚合;实车测试
中图分类号：
作者姓名：
马淑康;蒋华涛;常琳;郑琛
作者机构：
中国矿业大学(北京)机电与信息工程学院,北京100083;中国科学院微电子研究所,北京100029
文献出处：
引用格式：
[1]马淑康;蒋华涛;常琳;郑琛-.基于注意力机制和特征聚合的车道线检测)[J].微电子学与计算机,2022(12):40-46
A类：
RESA
B类：
特征聚合,车道线检测,智能驾驶系统,光线,遮挡,复杂情况,语义分割网络,细节特征,在编,编码网络,网络部,CA,坐标注意力机制,车道线提取,聚合网络,金字塔,空洞卷积,卷积模块,增强模型,感受野,空间特征,特征信息,解码,特征图,上采样,原图,概率分布,CULane,多路,实车测试,测试表明,帧率,fps,交通场景,实时检测,泛化性
AB值：
0.423646
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。
