-
题名基于改进LaneNet网络的车道线检测方法
- 1
-
-
作者
刘宏建
张伟斌
-
机构
南京理工大学电子工程与光电技术学院
-
出处
《现代交通与冶金材料》
2025年第2期39-50,共12页
-
基金
国家自然科学基金资助项目(71971116)。
-
文摘
科技发展日新月异,自动驾驶成为大家研究的热门领域。受复杂环境的影响,车道线检测很容易出现漏检误检的情况。传统的LaneNet车道线检测算法可以通过像素级别的图像处理来检测车道线,但该算法没有区分图像的关键区域,所以在复杂环境中,其检测能力大幅下降。为了提高其检测能力,本文对LaneNet网络进行了优化。提出了一种引入边缘特征和U-Net网络的语义分割模型Edge-Feature U-Net LaneNet(简称EU-LaneNet),该模型更加关注车道线附近像素的变化,还能一定程度宽容车道线的形变,从而使模型具有更好的鲁棒性。EU-LaneNet模型中使用了UNet网络作为编解码结构,U-Net网络将编码器与解码器进行跳跃层连接,从而保留了更多的空间信息和上下文信息,这有助于保留更多的细节并提高分割结果的准确性。在EU-LaneNet模型中增加了空洞空间卷积池化金字塔(ASPP, Atrous Spatial Pyramid Pooling)与频率域通道注意力(FCANet, Frequency Channel Attention)的融合机制,该方法具备从广阔的感受野中捕捉丰富的上下文信息的能力,同时提取出便于分析的细节特征,并通过这些细节特征来抑制噪声。利用自己构建的道路监控数据集和Tusimle车道线检测数据集对该模型进行综合训练。车道线检测结果显示,本文提出的模型效果更好,在准确率基本保持不变的情况下,本研究提出的车道线检测综合模型相对于传统的车道线检测LaneNet网络精确率提高了8.96%,能够更好地适应复杂的环境。
-
关键词
智能交通
车道线检测
LaneNet
U-Net
空洞空间卷积池化金字塔
频率域通道注意力
-
Keywords
intelligent transportation
lane line detection
LaneNet
U-Net
ASPP
fcanet
-
分类号
U491
[交通运输工程—交通运输规划与管理]
-
-
题名改进YOLOv5网络在遥感图像目标检测中的应用
被引量：12
- 2
-
-
作者
周华平
郭伟
-
机构
安徽理工大学计算机科学与工程系
-
出处
《遥感信息》
CSCD
北大核心
2022年第5期23-30,共8页
-
基金
国家自然科学基金项目(61703005)
安徽省重点研究与开发计划(202004b11020029)。
-
文摘
针对遥感图像目标检测存在的尺度多样化、分布密集、小目标检测困难等问题,提出了一种改进YOLOv5网络的遥感图像目标检测的新方法Fca_YOLOv5。该方法引入了频率通道注意力网络,引导模型更加关注信息丰富的特征;将网络输入尺寸优化为1 024,减少了图像缩放带来的影响;采用圆形平滑标签计算角度损失,对船舰目标进行旋转目标检测,进一步提升检测效果。在DOTA遥感图像数据集上进行实验,检测精度最高达到了75.9%,船舰旋转目标检测精度达到了96.1%,并且Fca_YOLOv5s的检测精度比YOLOv5s提高了3.1%。实验结果表明,改进网络对遥感图像中的微小目标具有较好的检测效果,有效提升了遥感图像的检测精度,对实现遥感图像中的微小目标检测具有一定的参考意义。
-
关键词
YOLOv5
频率通道注意力机制
网络输入尺寸
圆形平滑标签
小目标检测
-
Keywords
YOLOv5
fcanet
network input size
circular smoothing label
small object detection
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于改进UFSA算法的车道线检测研究
被引量：1
- 3
-
-
作者
王祥
柯福阳
朱节中
夏德铸
-
机构
南京信息工程大学自动化学院
南京信息工程大学遥感与测绘学院
南京信息工程大学无锡研究院
无锡学院
-
出处
《计算机仿真》
北大核心
2023年第5期213-219,共7页
-
基金
第十六批次江苏省“六大人才商峰”高层次人才项目(XYDXX-045)
2020年无锡市科技发展资金(N20201011)
西宁市科技计划(2019-Y-12)。
-
文摘
由于传统车道线检测方法存在计算量大、无视觉线索和车道线遮挡等主要问题,制约着车道线检测的发展。目前,UFSA(UltraFast Structure-aware)算法的提出可以有效解决上述问题,并在车道线检测领域广泛的应用。而UFSA算法存在网络卷积和池化提取特征会丢失重要信息、边界信息不够敏感等问题,故加入ASPP(Atrous Spatial Pyramid Pooling)空洞金字塔池化与FCANet(Frequency Channel Attention)频率域通道注意力的融合机制定义为FCASPP(Frequency Channel Attention Spatial Pyramid Pooling),上述机制能够有效地在大感受野时,获取更丰富上下文信息并提取更有用和紧致的特征而抑制噪声信息,L-Dice(Lane Dice Loss)函数比Softmax函数更加关注车道边界的信息。通过消融实验验证了上述改进的有效性,且无需添加任何计算量。在TuSimple和CULane两个基准数据集中,检测精度与原文相比,分别提高了0.21个百分点和1.7个百分点,速度与原文相当,所提算法较具竞争力。
-
关键词
车道线检测
频率域通道注意力
空洞金字塔池化
检测精度
-
Keywords
Lane line detection
fcanet
ASPP
Detection accuracy
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
