基于深度可分离卷积和残差注意力模块的车道线检测方法 |
| |
引用本文: | 崔明义,冯治国,代建琴,赵雪峰,袁森.基于深度可分离卷积和残差注意力模块的车道线检测方法[J].四川激光,2024(4):81-87. |
| |
作者姓名: | 崔明义 冯治国 代建琴 赵雪峰 袁森 |
| |
作者单位: | 1. 贵州大学;2. 贵州理工学院 |
| |
基金项目: | 贵州省科技重大专项(No.黔科合重大专项字ZNWLQC[2019]3012);;贵州省交通运输厅科技项目(No.2019-312-020、2021-322-02); |
| |
摘 要: | 针对全天候条件下道路车道线视觉检测技术存在的算法结构复杂、参数数量较多等问题,提出一种基于深度可分离卷积和残差注意力模块的车道线检测方法,建立了LPINet网络模型。利用深度可分离卷积减小输入图像尺寸,设计三种不同结构的瓶颈残差单元降低网络参数数量,引入ECANet注意力机制增加重要特征通道权重,提升车道线检测精度。在Tusimple数据集和GZUCDS自建数据集上的实验结果表明:在晴天场景下,LPINet网络车道线检测精度可达96.62%,且模型参数量降至1.64 MB,实现了轻量化设计;在雾天、雨天、夜晚和隧道复杂场景中进行了探索性研究,车道线检测精度达到93.86%,证明了方法的有效性。
|
关 键 词: | 车道线检测 深度学习 残差网络 深度可分离卷积 注意力机制 |
|
|