典型文献
LaneAr:基于编解码实例分割的车道线检测方法
文献摘要：
车道线检测在自动驾驶中有着重要的作用.在对道路图像进行检测时,一般的编解码网络在进行图像分割的精度不高.构建一种LaneAr编解码体系结构的车道线检测算法,在编码器部分采用深层的残差结构与不同尺度的空洞卷积结合扩大感知域,同时利用批归一化BN(Batch Normalization)捕获到图像中的车道线语义信息,在获取到编码特征图时利用提出通道注意力机制增强语义特征提取效果,最后再通过多次上采样进行解码恢复到与输入图像相同的像素.实验表明,LaneAr模型在tusimple数据集进行车道线检测的实验其准确率能达到97.82％,同时对复杂场景下的道路环境的车道线检测效果也比较显著.该方法在进行车道线检测时的精度上优于现阶段的其他编解码方法.
文献关键词：
车道线检测;残差结构;图像分割;编码解码网络;通道注意力机制
中图分类号：
作者姓名：
李杰;刘奕;高尚兵;汪长春;胡序洋;李少凡
作者机构：
淮阴工学院 计算机与软件工程学院,江苏 淮安 223001;江苏科技大学 冶金与材料工程学院,江苏 张家港 215600;江苏省互联网移动互联网技术工程实验室,江苏 淮安 223001
文献出处：
引用格式：
[1]李杰;刘奕;高尚兵;汪长春;胡序洋;李少凡-.LaneAr:基于编解码实例分割的车道线检测方法)[J].淮阴工学院学报,2022(03):59-64
A类：
LaneAr,tusimple
B类：
实例分割,车道线检测,自动驾驶,道路图像,编解码网络,图像分割,体系结构,检测算法,在编,编码器,残差结构,不同尺度,空洞卷积,批归一化,BN,Batch,Normalization,获到,语义信息,取到,编码特征,特征图,通道注意力机制,语义特征,提取效果,上采样,像素,行车道,复杂场景,道路环境,检测效果,比较显著,编解码方法,编码解码网络
AB值：
0.33262
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。
