- 博客(4)
- 收藏
- 关注
RSS订阅原创 （2021CVPR）实时注意力引导的车道检测（Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection）
摘要本文提出了LaneATT：基于锚的深度车道检测模型，类似于其他通用的深度对象检测器，该模型将锚用于特征池化步骤。由于车道遵循规则模式且高度相关，因此我们假设在某些情况下，全局信息对于推断其位置可能至关重要，尤其是在诸如遮挡，缺少车道标记等情况下。因此，这项工作提出了一种新颖的基于锚点的注意力机制，该机制聚集了全局信息。引言诸如多项式回归模型之类的某些方法也可能会遭受由长尾效应引起的数据不平衡问题，因为曲线较锐利的情况不太常见。 此外，该模型不仅必须是鲁棒的，而且必须是有效的。 在几种应用中，车道
2021-05-18 09:23:48
2210
原创 使用深度神经网络从连续驾驶场景中进行健壮的车道检测 Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Net
摘要大多数方法着重于从单帧图像检测车道，并且在处理某些极差的情况（例如重影，严重的标记退化，严重的车辆遮挡等）时，通常会导致性能不令人满意。 实际上，车道是道路上的连续线结构。 因此，可以通过合并先前帧的信息来潜在地推断出在一个当前帧中不能准确检测到的车道。引言有挑战场景的车道检测效果如图1所示。更精确地，即使该车道可能遭受由阴影，污点和遮挡所带来的损坏或退化，也可以通过使用多个先前的帧来预测当前车道中的车道。 这促使我们通过使用连续驾驶场景的图像来研究车道检测。本文提出了一种混合深度神经网络，
2021-05-17 10:43:47
869
原创 车道标记检测中的深度学习：综述（Deep Learning in Lane Marking Detection: A Survey）
摘要车道线检测很重要，其起着提供相关道路信息、辅助车辆定位、前车检测等作用，但是有挑战（光照、遮挡、磨损等）。本文综述了深度学习方法于车道线检测中的应用，主要关注现有方法的网络架构和优化目标。同时本文还阐述了相关数据集、评价指标、通用的数据处理技术，比较了不同方法的检测性能、运行时间。最后给出车道线检测的最新挑战和未来趋势。引言深度学习技术与其他学习技术的结合取得了巨大的成功。深度强化学习是深度学习和强化学习相结合的产物。 深度无监督学习是指基于未标记的训练样本来解决各种问题。 它包括生成深度结构，例
2021-05-16 16:18:30
4422
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人