-
题名利用多尺度融合与动态损失实现稳健车道检测
- 1
-
-
作者
李凌
池云昊
-
机构
沈阳化工大学信息工程学院
-
出处
《深圳大学学报(理工版)》
北大核心
2026年第1期110-117,I0005,共9页
-
基金
国家自然科学基金资助项目(60874057)。
-
文摘
为解决目前基于深度学习的车道线检测方法在多尺度特征建模和细节捕捉方面存在的漏检和精度不足的问题,提出增强型CLRerNet模型,记为ECLRerNet.该模型通过在CLRerNet模型的分割分支中引入MaxECA模块,实现了自适应多尺度融合,更好地捕捉车道细节.为缓解特征金字塔网络中部分多尺度特征融合时的信息不平衡问题,引入大核分组注意力门控(large-kernel grouped attention gate,LGAG)模块,通过注意力引导机制动态调整特征流,减少特征冲突并增强稳健性.引入改进的交并比计算方法ELaneIoU优化损失函数,有效解决了误报和漏报问题,减少了错误点对最终损失的影响.在CurveLanes和CULane数据集上的实验结果表明,ECLRerNet模型的检测性能较CLRerNet及其他主流开源车道检测模型有显著提升,CurveLanes数据集和CULane数据集上的F1分数分别达86.77%和81.58%.研究结果证明,ECLRerNet模型在真实世界驾驶场景中能有效增强车道的检测能力.
-
关键词
人工智能
车道检测
多尺度特征融合
动态损失函数
注意力机制
自动驾驶车辆
eclrernet
ELaneIoU
实时感知
-
Keywords
artificial intelligence
lane detection
multi-scale feature fusion
dynamic loss function
attention mechanism
autonomous vehicles
eclrernet
ELa neIoU
real-time perception
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
