点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
近年来,随着深度神经网络和自动驾驶的快速发展,车道线检测取得了很大进展。然而,仍存在三个主要问题:表征车道线、建模场景和车道线之间的结构关系以及支持车道线的更多属性(例如实例和类型)。为解决以上问题,提出了一种新型的结构信息引导的框架。在该框架中,我们首先引入一种新的车道表示来表征每个车道线实例,然后提出一种自上而下的消失点引导锚机制来产生密集的锚,有效地捕获各种车道线。接着使用多层级结构约束来提升车道线的提取。在此过程中,引入二值分割的像素级感知来提升锚周围的特征并自下而上地恢复车道线细节,引入车道级关系来建模车道线之间结构关系,引入图像级注意力从场景角度自适应地关注图像的不同区域。在结构信息的帮助下,锚被有效地分类和回归以获得精确的车道线位置和形状。在公共数据集上的大量实验表明,提出的方法在精度和速度上优于当前的先进方法。本次报告分享的内容发表在IJCAI 2021。
本期AI TIME PhD直播间,我们邀请到苏黎世联邦理工学院博后研究院——王文冠,为我们带来报告分享《全监督对比学习:语义分割新训练范式》。