最近刚开始看这方面的论文,对这篇论文理论部分进行了提炼,分享给大家。
期刊:IEEE Transactions on Intelligent Vehicles(2024)
作者:Yan Gong, Xinmin Jiang, Lu Wang*
拟解决问题:车道线遮挡、不良光照条件
主要思想:将车道线检测视为逐像素分类问题,非对整个车道线进行粗略估计;同时利用振动标线产生的震动信号预测车辆是否越过车道线,并通过该特征自适应调整车道线检测网络的权值提高性能。
TCLaneNet由主车道检测分支网络和车道遮挡分类网络(对视觉图像中的车道线进行遮挡和非遮挡分类,并由振动分类网络的结果提供监督,本质是提供一种学习视觉图像与振动信号之间信息映射的手段)分支组成。
论文贡献:
1. 主车道检测分支网络
1)CAMS: 将遮挡分类特征(包含了判断车道是否被遮挡的信息)转换为条件参数(即信道权值)用于自适应车道检测特征。细化车道检测特征。其中,CAM1主要通过卷积运算与ReLU和Sigmoid激活函数实现通道间的非线性交互; CAM2在不降维的情况下,通过跨通道交互捕获FGAP通道之间的依赖关系。
2)上下文空间信息注意模块( CSIAM):卷积操作在捕获细长的车道线时感受野是有限的,捕捉车道的整体形状特征。
2. 振动分类模型:
根据安装在车辆上的振动传感器采集到的信号,判断当前车辆是否行驶在振动标线上。流程:从固定长度的振动信号时间序列中提取时域和频域特征向量,使用低通滤波器过滤短期振动信号中的高频杂波,使用0.5秒长度的的时间窗口捕获足够的特征张量,通过逻辑回归模型将信号分类为振动或无振动,并使用标准交叉熵损失对模型进行训练。
3. 提出了基于振动的车道检测数据集(VBLane)。
结论:
明确指出在检测结果中存在一定程度的假阳性。