基于PINet+RESA网络的车道线检测算法

• 全文链接
• 请求原文

作   者：

范英;  石磊;  苏伟伟;  闫浩; 

作者机构：

太原科技大学车辆与交通工程学院; 

关键词：

卷积神经网络;  语义分割;  深度学习;  CULane数据集;  PINet;  车道线检测; 

期刊名称：

江苏大学学报(自然科学版)

i s s n：

1671-7775

年卷期：

2023 年 44 卷 004 期

页   码：

373-378

摘   要：

实例点网络(point instance network,PINet)在物体遮挡、光照变化和阴影干扰等场景中检测准确性高,但实时性表现不佳.在保证PINet模型精度的前提下,为提升网络的推理速度,提出一种结合循环特征移位聚合器(recurrent feature-shift aggregator,RESA)算法的车道线检测模型.通过算力分析,只采用1个瓶颈网络(bottle-neck)作为预测网络(predicting network),目的是为了去除冗余的多尺度操作,以加快模型的推理速度.为了弥补模块剪枝造成的精度下降,引入了 RESA模块以捕获图像中跨行、列的空间信息,增强骨干网络提取到的车道线特征.将改进后的模型在Tusim-ple、CULane、Custom数据集上进行测试.结果表明:改进后的网络模型在物体遮挡、光照变化、阴影干扰等多种复杂场景下表现突出,对车道分割准确率、实时处理速度有大幅改善,检测识别效果优于传统PINet网络算法,除F1指标提升较小外,推理速度在3个数据集下分别提升20.3%、52.9%及13.9%.