论文部分内容阅读
人们希望通过加速自动驾驶技术的研究,去改善由于汽车快速普及造成的严重能源消耗和交通拥堵问题。车道线检测是自动驾驶系统的重要组成部分,检测出的车道线作为限制道路上车辆行驶的重要标记,直接决定了车辆的驾驶控制和路径规划。因此能够准确检测出道路中的车道线,对提高车辆驾驶安全有着重要的意义。车道线检测技术的发展使自动驾驶系统能够在简单道路场景中应用,但由于光照条件差、其他交通参与者的遮挡、无关的道路标记的干扰和车道线固有的形状,使复杂的道路场景下的车道线检测存在挑战,并阻碍了自动驾驶技术在城市道路场景中的商业化应用。本文针对以上复杂道路场景下车道线检测问题,提出了基于目标特征蒸馏的车道线检测网络和基于几何注意力感知的车道线检测网络,具体内容如下:(1)提出了一种通用的基于目标特征蒸馏的车道线检测框架。首先,在使用直接上采样方式的网络中,增加一个具有较强特征预测能力的解码器,该解码器对于复杂道路场景中的车道线特征恢复起着关键作用;然后,在网络训练阶段,通过知识蒸馏技术将解码器生成的预测结果作为软目标,使直接上采样分支学习到更为详尽的车道线信息,让其具有解码器的较强特征预测能力;最后,在网络推理阶段仅需使用直接上采样分支,而无需对解码器进行前向计算,因此相比现有模型在不增加额外计算成本的同时还能提高车道线检测性能。(2)提出了基于几何注意力感知的车道线检测网。该网络采用多任务分支网络结构,除了车道线分割分支以外增加了距离嵌入分支,以学习车道线的中心线到车道线边界距离的连续表示。两个分支之间通过注意力信息传播模块自适应的选择互补信息进行传播,并且在两个任务分支的末端使用几何注意力感知模块进行特征融合,它将距离嵌入分支的输出特征转化为一个注意力矩阵,该矩阵从空间维度上捕获了像素之间的长距离相关性,这些包含了距离信息的上下文能够有效的改善语义分割的结果。最后,使用跳跃金字塔融合上采样模块,将几何注意力感知网络的各层级编码器中不同的车道线抽象特征,与逐步上采样过程中恢复分辨率的网络输出特征进行融合,有效的提升了车道线边界的检测能力。为了验证基于目标特征蒸馏的车道线检测网络的有效性,在目前最具挑战性的CULane数据集上进行评测,其实验结果表明在CULane数据集中各复杂道路场景下车道线检测结果的F1-Measure评分均有所提高,总的F1-Measure达到了74.1%。并且为了验证目标特征蒸馏网络的通用性,将其应用到多个主流车道线检测网络上,实验结果显示在CULane数据集上车道线检测能力均有所提升。为了验证了基于几何注意力感知的车道线检测网络的有效性,同时在CULane数据集、TuSimple数据集和BDD100K数据集上进行实验,几何注意力感知网络在CULane数据集上的总的F1-Measure评分达到了75.8%,在TuSimple数据集上的Accuracy达到了96.75%,在BDD100K数据集上的IoU评分达到了16.75。