一种基于自注意力机制的条件卷积车道线检测方法技术

本发明专利技术涉及一种基于自注意力机制的条件卷积车道线检测方法，所述的车道线检测方法，CLine

【技术实现步骤摘要】
detection based on geometrical model and gabor filter.In IEEE Intelligent Vehicles Symposium(IV),pages 59
–
64,2010.
[0010][4]ZuWhan Kim.Robust lane detection and tracking in challenging scenarios.IEEE Transactions on Intelligent Transportation Systems,9(1):16
–
26,2008.
[0011][5]Davy Neven,Bert De Brabandere,Stamatios Georgoulis,et al.Towards end
‑
to
‑
end lane detection:an instance segmentation approach.In IEEE Intelligent Vehicles Symposium(IV),pages286
–
291,2018.
[0012][6]Hang Xu,Shaoju Wang,Xinyue Cai,et al.Curvelane
‑
nas:Unifying lane
‑
sensitive architecture search and adaptive point blending.In Proceedings of the European Conference on Computer Vision(ECCV),pages 689
–
704,2020.
[0013][7]Zequn Qin,Huanyu Wang,and Xi Li.Ultra fast structure
‑
aware deep lane detection.In Proceedings of the European Conference on Computer Vision(ECCV),pages 276
–
291,2020.
[0014][8]Ruijin Liu,Zejian Y uan,Tie Liu,et al.End
‑
to
‑
end lane shape prediction with transformers.In Proceedings of the IEEE Winter Conference on Applications of Computer Vision,pages3694
–
3702,2021.
[0015][9]Hou Y N,Ma z,Liu C X,et al.Learning lightweight lane detection CNNs by self attention distillation[C]//Proceedings of 2019IEEE/CVF International Conference on Computer Vision.Seoul,Korea(South):IEEE,2019:1013
‑
1021.DOI:10.1109/ICCV.2019.00110.
[0016][10]Jigang Tang,Songbin Li,and Peng Liu.A review of lane detection methods based on deep learning.Pattern Recognition,2020.
[0017][11]Xinlong Wang,Rufeng Zhang,Tao Kong,et al.SOLOv2:Dynamic and fast instance segmentation.In Advances in Neural Information Processing Systems,pages 17721
–
17732,2020.

技术实现思路

[0018]为解决上述技术问题，本专利技术提供的技术方案为：
[0019]一种基于自注意力机制的条件卷积车道线检测方法；
[0020]其特征在于，所述的车道线检测方法(CLine
‑
SA)首先检测车道线实例，然后动态预测每个实例的车道线；
[0021]通过使用一种基于条件卷积和逐行公式(row
‑
wise formulation)的车道线检测策略，并使用自注意力机制来聚合全局信息；
[0022]此外，设计了循环实例模块(Recurrent Instance Module,RIM)用于处理具有复杂拓扑的车道线问题，该模型能够准确的对车道线进行检测；
[0023]所述车道线检测方法构建步骤为：
[0024]条件检测过程有两个步骤：实例检测和形状预测；
[0025]实例检测步骤，预测对象实例并为每个实例回归一组动态内核参数；
[0026]形状预测步骤，使用条件卷积来指定实例形状，以动态内核参数为条件；
[0027]通过改进逐行公式(row
‑
wise formulation)，使用条件形状头(Conditional shape head)来预测车道线的位置；
[0028]在逐行公式(row
‑
wise formulation)中，预测每行上的车道线位置，根据车道线的形状，将车道线位置从下到上聚合以获取车道线；
[0029]设计了提议头(proposal head)用于实例检测，通过检测位于车道线起点的提议点来检测车道线实例，起点比中心具有更清晰的定义和更加明显地视觉特征。
[0030]本专利技术具有如下优点：
[0031]1.本专利技术通过提出的条件车道线检测策略和逐行公式(row
‑
wise formulation)，有效的提高了车道检测与车道线实例级区分的能力。
[0032]2.本专利技术通过提出的循环实例模块(RIM)，有效的解决了检测具有复杂拓扑结构的车道线的问题。
[0033]3.本专利技术通过提出的自注意力机制有效的聚合全局信息，提升了车道线检测的准确性。
附图说明
[0034]图1是本专利技术实施例中的CLine
‑
SA总体框架图；
[0035]图2是本专利技术实施例中的循环实例模块图；
[0036]图3是本专利技术实施例中的Transformer编码器结构图；
[0037]图4是本专利技术实施例中提供的一种基于自注意力机制的条件卷积车道线检测方法的流程示意图。
具体实施方式
[0038]下面结合实施例对本专利技术的技术方案进行进一步的详细说明；
[0039]在本专利技术提供一种基于自注意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力机制的条件卷积车道线检测方法，其特征在于：所述的车道线检测方法(CLine
‑
SA)首先检测车道线实例，然后动态预测每个实例的车道线；通过使用一种基于条件卷积和row
‑
wise formulation计算的车道线检测策略，并使用自注意力机制来聚合全局信息；设计了循环实例模块用于处理具有复杂拓扑的车道线问题，该方法能够准确的对车道线进行检测。2.根据权利要求1所述的一种基于自注意力机制的条件卷积车道线检测方法，其特征在于，所述车道线检测方法构建步骤为：条件检测过程...

【专利技术属性】
技术研发人员：蔡向东，张朝威，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：