摘 要: | 实例点网络(point instance network, PINet)在物体遮挡、光照变化和阴影干扰等场景中检测准确性高,但实时性表现不佳.在保证PINet模型精度的前提下,为提升网络的推理速度,提出一种结合循环特征移位聚合器(recurrent feature-shift aggregator, RESA)算法的车道线检测模型.通过算力分析,只采用1个瓶颈网络(bottle-neck)作为预测网络(predicting network),目的是为了去除冗余的多尺度操作,以加快模型的推理速度.为了弥补模块剪枝造成的精度下降,引入了RESA模块以捕获图像中跨行、列的空间信息,增强骨干网络提取到的车道线特征.将改进后的模型在Tusimple、CULane、Custom数据集上进行测试.结果表明:改进后的网络模型在物体遮挡、光照变化、阴影干扰等多种复杂场景下表现突出,对车道分割准确率、实时处理速度有大幅改善,检测识别效果优于传统PINet网络算法,除F1指标提升较小外,推理速度在3个数据集下分别提升20.3%、52.9%及13.9%.
|