当前位置：首页 > wzjs >正文

自己建网站做那个模块好以品牌推广为目的的广告网络平台

wzjs 2025/7/25 10:31:58

自己建网站做那个模块好,以品牌推广为目的的广告网络平台,推动房地产发展新模式,dremrever怎么做网站本文针对车道线检测----Lane-ATT论文所有细节进行阐述，有帮助的话点个收藏关注吧保持对车道的关注：注意力引导的车道检测摘要但许多方法在保持实时效率方面存在问题，这对于自动驾驶车辆至关重要。在本文中，我们提出了LaneATT…

本文针对车道线检测----Lane-ATT论文所有细节进行阐述，有帮助的话点个收藏关注吧

保持对车道的关注：注意力引导的车道检测

摘要

但许多方法在保持实时效率方面存在问题，这对于自动驾驶车辆至关重要。在本文中，我们提出了LaneATT：一种基于锚框的深度车道检测模型，与其他通用深度目标检测器类似，它在特征池化步骤中使用锚框。由于车道遵循规则的模式并且高度相关，我们假设在某些情况下全局信息对于推断它们的位置至关重要，特别是在遮挡、车道标记缺失等条件下。因此，我们提出了一个新的基于锚框的注意力机制，用于聚合全局信息。

1. 引言

用于现实场景的模型应能抵御多种不利条件，如极端的光照和天气条件。此外，车道标记可能会被其他物体（例如汽车）遮挡，这对于自动驾驶汽车来说是一个非常常见的案例。一些方法，如多项式回归模型，可能还会受到长尾效应引起的数据不平衡问题的困扰，因为曲线更为明显的案例较为少见。此外，模型不仅要稳健，还要高效。在许多应用中，车道检测应在实时环境中执行，这是许多模型难以应对的要求。由于该任务对于自动驾驶汽车的发展至关重要，文献中有许多关于此问题的工作。在深度学习出现之前，几种方法采用了更传统的计算机视觉技术，例如霍夫线[3, 1]。随着卷积神经网络（CNN）的发展，研究重点转向了深度学习方法[12, 16, 10, 17]。通常，车道检测问题被表述为一个分割任务，其中，给定输入图像，输出是具有每个像素预测的分割图[16]。尽管深度学习的最新进展使得分割网络能够实时工作[21]，但各种模型在实时工作方面仍存在困难。因此，分割方法的骨干选项相当有限。因此，一些近期的工作提出了其他方向的解决方案[12, 22]。此外，车道检测工作中还有其他常见问题，例如需要后处理步骤（通常是启发式方法）、较长的训练时间以及缺乏源代码，这阻碍了比较和可重复性。在本文中，我们介绍了一种比大多数现有最先进方法更快、更准确的车道检测方法。我们提出了一个名为LaneATT的基于锚框的单阶段车道检测模型。其架构使得使用轻量级骨干CNN成为可能（例如ResNet-34[8]），同时保持高精度。我们还提出了一个新的基于锚框的注意力机制，用于聚合全局信息。在[ ]上展示了广泛实验结果，包括与最先进方法的比较、效率权衡讨论以及我们设计选择的消融研究。总结来说，我们的主要贡献是：

一种在训练和推理时间上比大多数其他模型更快的模型（达到250 FPS，比之前最高精度方法的MACs少了一个数量级）；
一种新的基于锚框的注意力机制，可能在其他被检测物体相关的领域有用。

2. 相关工作

尽管最初的车道检测方法依赖于经典计算机视觉，但深度学习方法在准确性和效率方面取得了实质性进展。因此，本综述重点关注深度车道检测器。我们首先讨论基于分割的方法[16, 10, 28, 14]或逐行分类方法[9, 19, 26]，然后回顾其他方向的解决方案。最后讨论了车道检测工作中缺乏可重复性（一个常见问题）。

基于分割的方法

这种方法基于每个像素进行预测，将每个像素分类为车道或背景。生成分割图后，需要后处理步骤将其解码为车道集合。在SCNN[16]中，作者提出了一种专门设计用于长薄结构的方案，并展示了其在车道检测中的有效性。然而，该方法速度较慢（7.5 FPS），限制了其在现实场景中的应用。由于较大的骨干网络是速度较慢的主要原因，作者在[10]中提出了一种自注意力蒸馏（SAD）模块来聚合上下文信息，从而允许使用更轻量级的骨干网络，在保持实时效率的同时实现高性能。在CurveLanes-NAS[25]中，作者提出使用神经架构搜索（NAS）来寻找更好的骨干网络。尽管他们在数据集上取得了最先进的结果，但其NAS计算成本极高，每个数据集需要5000 GPU小时。

其他方法

其他方法也在之前的工作中被提出。例如，在FastDraw[17]中，作者提出了一种新的基于学习的方法来解码车道结构，避免了基于分割和逐行分类方法所需的聚类后处理步骤。尽管所提出的方法被证明能够达到高速，但其在准确性方面并未超越现有的最先进方法。同样的效果在PolyLaneNet[22]中也得到展示，其中提出了一个更快的基于深度多项式回归的模型。在这种方法中，模型学习为每个车道输出一个多项式。尽管其速度快，但该模型在处理数据集不平衡方面存在困难，如其预测对直线车道的高偏差所示。在Line-CNN[12]中，提出了一种基于锚框的车道检测方法。该模型在公共数据集上取得了最先进的结果，并在另一个未公开的数据集上取得了有希望的结果。尽管具有实时效率，但该模型比其他方法慢得多。此外，由于代码未公开，结果难以重现。还有些工作专注于车道检测流程的其他部分。在[11]中，提出了一种专注于遮挡案例的后处理方法，其结果比其他工作高出许多，但其速度显著较低（大约4 FPS）。为了提高夜间图像的结果，刘等[14]提出使用生成对抗网络（GAN）将日间图像生成夜间图像用于训练。

Lcls负责预测锚框属于K种车道类型或背景类的概率，输出为K+1个概率值。Lreg则输出车道提议的长度和Npts个偏移量，这些偏移量表示预测的车道位置与锚框之间的水平距离。

定义了一些锚框，这些锚框是根据车道线可能出现的位置和形状预先设定的

对于每个锚框，我们把它投影到特征图F上，特征图F是由骨干网络生成的，包含了图像的高层次特征。

我们从特征图F中提取与锚框相交的点的特征，这些特征组成了局部特征向量。比如，锚框i对应的局部特征向量就是特征图F中与锚框i相交的点的特征组合。

注意力模块先接收所有锚框的局部特征向量。

它通过一个全连接层处理这些局部特征向量，为每个锚框生成一组权重。这些权重表示每个锚框的信息在全局范围内的相对重要性。

这些权重被用来组合所有锚框的局部特征，生成全局特征向量。全局特征向量综合了所有锚框的信息，使得模型在预测车道线时，不仅能考虑到局部信息，还能参考全局的上下文信息。

3. 提出的方法

LaneATT是一个基于锚框的单阶段模型（类似于YOLOv3[20]或SSD[15]），用于车道检测。方法概述如图1所示。它接收来自车辆前视相机的RGB图像I∈R3×HI×WI作为输入。输出是车道边界线（以下遵循文献中的常规术语称为车道）。为了生成这些输出，卷积神经网络（CNN），称为骨干网络，生成特征图，然后通过池化过程提取每个锚框的特征。这些特征与注意力模块生成的一组全局特征相结合。通过结合局部和全局特征，模型可以更容易地使用来自其他车道的信息，这在遮挡或车道标记不可见等情况下可能是必要的。最后，将组合特征传递给全连接层以预测最终的输出车道。

3.2 骨干网络

所提方法的第一阶段是特征提取，可以由任何通用CNN（如ResNet[8]）执行。该阶段的输出是从中提取每个锚框特征的特征图Fback∈RC′F×HF×WF。为了降低维度，在Fback上应用1×1卷积，生成通道压缩后的特征图F∈RCF×HF×WF。进行此压缩是为了降低计算成本。

3.4 注意力机制

3.5 提议预测

为每个锚框预测车道提议，包括三个主要组成部分：（i）K+1个概率（K种车道类型和一个用于“背景”或无效提议的类别），（ii）Npts个偏移量（预测与锚框线之间的水平距离），以及（iii）提议的长度l（有效偏移量的数量）。提议的起始索引（s）直接由锚框的原点y坐标（yorig，见第3.1节）确定。因此，结束索引可以确定为e=s+⌊l⌋−1。为了生成最终提议，通过连接aloc•和aglob•来聚合局部和全局信息，生成增强特征向量aaug•∈RNanc×2⋅CF⋅HF。此增强向量被输入到两个并行全连接层，一个用于分类（Lcls），另一个用于回归（Lreg），以产生最终提议。Lcls负责预测pi，即K+1个概率（项目i），而Lreg输出ri，即l和Npts个偏移量（项目ii和iii）。