本文探讨了车道线分割的预研，涉及VPGNet、SCNN、MaskRCNN和DeepLabv3+四种技术。VPGNet利用8x8网格防止特征丢失，SCNN提出空间卷积解决断裂问题，MaskRCNN采用先检测后分割，DeepLabv3+具有较强拓展性。在实际应用中，针对车道线分割的优化策略包括调整网络结构、去掉某些模块并采用分块和RANSAC拟合提高精度。
分割的含义
语义分割和实例分割
mIOU_category，mIOU_class:
- 两者的度量指标是不同的.
- 前者是大的类别，而后者需要把每个目标都分割出来。
- 通常前者大于后者
车道线分割预研
VPGNet
- 框架：Caffe
- 显存：813
- 前向时间：15-18ms
- 网络较浅，多任务，拓展性较差
- 使用8x8网格对标签像素进行扩充，防止下采样时特征消失
SCNN
- 框架：Torch
- backbone：resnet101
- 显存：2605
- 前向时间：66ms
- 解决车道线断裂问题，主要提出空间卷积spatial CNN的想法
MaskRCNN
- 框架：Pytorch – e2e_mask_rcnn_R-101-FPN_2x.yaml
- 显存：1200-1400
- 前向时间：241ms
- 先检测后分割，两条分支一条进行RPN一条进行分割
DeepLabv3+
- 框架：TensorFlow – xception-65 mobilenetv2 resnet101
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
