[车道线检测论文学习]SCNN-Spatial As Deep: Spatial CNN for Traffic Scene Understanding

最新推荐文章于 2022-12-05 13:23:57 发布
最新推荐文章于 2022-12-05 13:23:57 发布
阅读量2.4k 收藏 14
点赞数 1
分类专栏： 计算机视觉 文章标签： 深度学习 计算机视觉 车道线检测 自动驾驶 CV
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/soulmeetliang/article/details/89675403
版权
本文研究SCNN（Spatial CNN）方法在车道线检测中的应用，探讨了空间关系的建模及其优势，并展示了在城市景观数据集cityscapes上的测试效果。SCNN虽然计算量小，但其有效性有待进一步验证。
摘要由CSDN通过智能技术生成

（车道线检测）Lane Detection

在这里插入图片描述

SCNN-Spatial As Deep: Spatial CNN for Traffic Scene Understanding

小声BB：SCNN方法思路很简单，对网络结构的调整也不大，计算量没有太大增加，但该方法并未被广泛应用，故对该方法的有效性存疑… # 这么牛逼又有效为啥要发AAAI… 怀疑的眼神…
在这里插入图片描述

关于空间关系的建模

在这里插入图片描述

具体分析

在这里插入图片描述

Advantage

最低0.47元/天 解锁文章
holeung
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
SCNN:用于行车线检测的空间CNN（AAAI2018）
05-04
用于行车道检测的空间CNN 纸 潘新刚，石建平，罗平，王小刚，唐小鸥。 AAAI2018， 该代码是从修改的。 介绍 演示视频可。 空间CNN可以在CNN的同一层中的神经元之间进行显式且有效的空间信息传播。 在物体先验形状强的情况下（例如车道线的长而细的连续性），该功能极其有效。 VGG16 + SCNN在车道检测方面优于ResNet101。 要求 ，请按照的安装说明进行。 Matlab（用于工具/ prob2lines），版本R2014a或更高版本。 Opencv（用于工具/ lane_evaluation），版本2.4.8（以后的2.4.x也应该起作用）。 硬件：对于测试，具有3G内存的GPU就足够了。 为了进行培训，我们建议使用具有12G内存的4xGPU。 开始之前 克隆SCNN存储库 git clone https://github.com/XingangPan/SC
SCNN网络理解-交通场景的理解
qq_45973897的博客
03-17 1920
空间卷积神经网络（SCNN）是香港中文大学联合商 汤科技集团有限公司在2017年发表在AAAI2018上的论文《Spatial As Deep: Spatial CNN for Traffic Scene Understanding》中提出的。空间CNN主要是用来处理自动驾驶领域中感知任务中的车道线检测任务。论文实现的代码主要是从resnet修改而来。所以需要对resnet有基本的认识。SCNN可以在同一层CNN的神经元之间实现显式有效的空间信息传播。
SCNN:对交通场景的语义分割--源码及原文阅读
weixin_39326879的博客
07-02 3368
摘要 常规的CNN网络就是由一层一层的卷积层堆叠的.但是,普通的卷积并不能很好地利用像素探索图像的行列信息(空间信息).充分捕捉像素的空间信息对于拥有很强形状先验\很弱外观连接性的语义目标(例如车道线)来说很重要.在交通场景中,车道线经常被遮挡甚至没有画在图像中(也就是完全遮挡了),如下图所示: 本文提出了SCNN,不同于传统的CNN一层一层卷积的连接,本文采用了一片一片的卷积,这使得每层的像素信息可以在行列间流动.SCNN有利于有强空间相关但无纹理信息的大目标,例如车道线\杆\强,我们应用SCNN在车道
CV | SCNN: Spatial CNN for Traffic Lane Detection 车道线检测算法SCNN“最全的”学习笔记
iLOVEJohnny的博客
04-06 8090
题外话： 可能因为是节假日，所以这篇文章的标题非常的标题党哈哈哈哈哈~ 回归严肃，过去一段时间花了比较多的精力学习这个算法，所以想借此空闲时间，好好总结和复盘一下。感兴趣的朋友们，欢迎评论区讨论，如果有理解不对的地方也欢迎大家指正。 前言 车道线检测在自动驾驶感知任务中占据重要的一席，它可以辅助自动驾驶的车道保持，同时也可以为车辆定位等工作提供较强的先验信息。目前，常见的方法大抵...
二十七. 智能驾驶笔记之基于SCNN网络的车道线检测
okgwf的博客
02-09 2470
智能驾驶笔记之基于SCNN网络的车道线检测学习
scnn复现
qq_42178122的博客
06-24 853
源代码:https://github.com/Tramac/Fast-SCNN-pytorch参考Ultra-Fast-Lane-Detection 复现 在 Tusimple 上训练的模型可以在这里下载。它的配置文件在exp0. 3.修改config.py 4.训练与测试 训练代码 测试代码 5.修改test_tusimple.py 为了输出模型的计算量和参数量，将test_tusimple.py修改为以下，再运行第4点的测试代码......
SCNN车道线检测--(SCNN)Spatial As Deep: Spatial CNN for Traffic Scene Understanding（论文解读）...
郭耀华's Blog | 人工智能领域技术博客
04-25 317
Spatial As Deep: Spatial CNN for Traffic Scene Understanding 收录：AAAI2018 (AAAI Conference on Artificial Intelligence) 原文地址：SCNN 论文提出了一个新颖网络Spatial CNN，在图片的行和列上做信息传递。可以有效的识别强先验结构的目标...
SCNN-prototxt-generator:生成空间CNN caffe prototxt文件的脚本
05-13
将文本复制到生成的SCNN.prototxt中，然后将其粘贴到原始模型prototxt文件（您要添加Spatial CNN的文件）中的正确位置。 不要忘记将下一层的“底部”修改为“ SCNN”。 例子： 原始prototxt文件：examples / resnet...
SCNN-pytorch:PyTorch中的空间CNN模型使用Cityscapes-dataset
03-18
cd SCNN-pytorch 安装依赖项： 有关PyTorch依赖关系，请参见以获得更多详细信息。 对于自定义依赖项： pip install matplotlib pillow tensorboardX tqdm 训练 请按照以下步骤训练您的模型： 输入参数：（通过...
基于matlab的Spatial-CNN（SCNN）车道检测模型.zip
最新发布
08-03
基于matlab的Spatial-CNN（SCNN）车道检测模型.zip
车道检测代码：通过自我注意蒸馏学习轻型车道检测CNN（ICCV 2019）
02-03
（SCNN-Tensorflow） 新闻 已发布。 （在CULane测试集中可以达到73.1 F1措施） ， 和已发布。 主要特点： （1）ENet-label是基于的轻量级车道检测模型，并采用了自注意蒸馏技术（更多细节请参见本文）。 （2）...
图卷积神经网络2-谱域卷积：SCNN/ChebNet/GCN的引入和介绍
yilulvxing的博客
12-03 6379
备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。 目录 1：简介 2：SCNN 3：ChebNet 4：GCN GCN特点 5：总结 5.1：图卷积实现思路 5.2：谱域图卷积实现理论支撑 5.3：经典图谱卷积 上一篇文章链接：文章地址 继续上一篇的图卷积推导过程： 上面公式推导的结果就是谱域图卷积最终的公式，所有的谱域图卷积的原理就是这个公式，只是对滤波器 ​做.
车道线检测经典论文SCNN复现
m0_63642362的博客
12-05 1023
车道线检测经典方法scnn复现，并开源车道线检测工具包pplanedet
【论文解读】SCNN 用于交通场景理解的空间CNN
黎国溥
08-25 2933
前言 Spatial CNN，这里的Spatial不是指Spatial Convolution，而是通过特殊设计的CNN架构传递空间信息，更有效的学习空间关系，简称SCNN；它提出了一种新的神经网络结构用于提取特征。 传统的网络结构是卷积层接收来自前一层的输入，应用卷积运算和激活函数，并将结果发送到下一层；该过程按顺序完成，一层一层传递下去。但SCNN是先对这部分输入特征进切片，再按照下、上、右、左四种顺序进行卷积。 比如：一个三维的特征，相当于一个立方体，先进行横切片，分别进下、上顺序进行卷积。再
SCNN--车道线检测
nenuyear
10-31 1951
论文名称：Spatial As Deep: Spatial CNN for Traffific Scene Understanding 发表时间：2017年 作者：Xingang Pan1 , Jianping Shi2 , Ping Luo1 , Xiaogang Wang1, and Xiaoou Tang1 一.概念 1.softmax：归一化指数函数，目的是将多分类的结果以概率的形式展现出来。 例如：假如模型对三分类问题的预测结果为-3,1.5,2.7 将预测结果转化为非负数：y1=e
SCNN -Spatial As Deep: Spatial CNN for Traffic Scene Understanding论文阅读+代码复现(车道线检测)
路边的石头
04-24 835
数据集 CULane: 专注四车道问题,并且障碍物另一边的车道没有进行标注 TuSimple 和 Caltech Lanes Dataset 的场景都比较简单 ,相比较来说CULane有更强的实际意义. where f is a nonlinear activation function as ReLU However, deep residual learning (He et al. 2016) has shown its capability to easy the training of very
街景语义分割数据集总结
热门推荐
Holeung blog
05-06 1万+
汇总 SYNTHIA-Dataset 一个大规模的虚拟城市的真实感渲染图数据集，带有语义分割信息，是为了在自动驾驶或城市场景规划等研究领域中的场景理解而提出的。提供了11个类别物体（分别为空、天空、建筑、道路、人行道、栅栏、植被、杆、车、信号标志、行人、骑自行车的人）细粒度的像素级别的标注。包含从渲染的视频流中提取出的13407张训练图像，该数据集也以其多变性而著称，包括场景（城镇、城市、高速...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值