CN114913493B 一种基于深度学习的车道线检测方法 （南京航空航天大学）_第1页
CN114913493B 一种基于深度学习的车道线检测方法 （南京航空航天大学）_第2页
CN114913493B 一种基于深度学习的车道线检测方法 （南京航空航天大学）_第3页
CN114913493B 一种基于深度学习的车道线检测方法 （南京航空航天大学）_第4页
CN114913493B 一种基于深度学习的车道线检测方法 （南京航空航天大学）_第5页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明公开了一种基于深度学习的车道线将调整后的车道线图像作为车道线检测神经网发明的方法在保证准确率的同时提高了检测速2步骤S2：对Tusimple图像数据集中车道线图像进行数据像的分辨率调整为512×256，将调整后的图像作为车道线检测神经网络模型的训练数据步骤S5：对不同类别的车道线使用二次多项式进行拟合，并每个残差层由两个残差块组成，每个残差块由两条分支组成，第差层输出的特征图通过增强感受野模块后再通过CBAM模块得到带有注意力权重的特征图3得到新特征图，再通过空间注意力产生新特征图的权重后乘以自身得到输出,输出结果进述深度可分离卷积操作后均进行BatchNormalization归一化和ReLU非线性激活函数处45解码网络包括依次连接的三个卷积上采样模块和一个输[0017]进一步地，所述CBAM模块包括一个通道注意力(ChannelAttention)和一个空间注意力(SpatialAttention)，输入通过征图，再通过空间注意力产生新特征图的权重后乘以自身得到输出,输出结果进入解码网自编码网络；第一输入通过空间注意力(SpatialAtte6[0023]进一步地，所述步骤S5中使用二次多项式y＝a1x2+a2x+b,对区分为一类车道线的a1为二次多项算量和参数量，同时在编码网络和解码网络连接过程中使用增强感受野模块和CBAM模块，7解码网络包括依次连接的三个卷积上采样模块和一个输[0045]如图6所示，所述增强感受野模块由四条并联的分支组成，第一条分支为1×1卷和第三条分支的结果融合后通过一个1×1卷积，之后再与第一通道和第四通道进行融合，注意力(SpatialAttention)，输入通过征图，再通过空间注意力产生新特征图的权重后乘以自身得到输出,输出结果进入解码网来自编码网络；第一输入通过空间注意力(SpatialA制的权重，将第二输入乘以所述权重得到新的特征图后与初始的第一输入1进行融合即在8[0049]如图10所示，所述输出模块包括一个1×1的普通卷积和一个卷积核大小为3×3、Normalization归一化和ReLU非线性激活函数处型后得到的输出为六个通道的特征图，即特征图中的每个像素对应六个类别(背景及五条[0054]所述使用二次多项式y＝a1x2+a2x+b,对区分为一类车道线的点集[(x1,y1),(x2,9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论