- 1、本文档共15页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
自动驾驶算法—车道检测:3种深度学习(非OpenCV)算法
人们在打造自动驾驶汽车时,首先想到的就是实现车道检测。特斯拉和mobileye将其称为“强制性要求”,而SebastianThrun(自动驾驶汽车教父)在一次采访中也将其称为首要、必不可少的任务。
然而,如果这是一个很好的第一反应,那么许多工程师的初衷可能并不是最好的。事实上,我注意到大多数帖子都在解释传统的OpenCV算法,这些算法由不再使用的非常古老的函数组成。这就是为什么我想创建这篇关于深度学习的帖子,这是当今公司使用的。事实上,公司主要使用3种方法来执行车道检测:
??1.分割方法(SegmentationApproaches)
??2.基于锚点的方法(Anchor-BasedApproaches)
??3.基于参数的方法(ParameterBasedApproaches)
注意:当我谈论“车道检测”时,我实际上会谈论“车道线检测”的概念。在研究和常识中,这两者是同化的,尽管应该有所不同。
让我们看看如何检测车道线!
车道线检测的分割方法
检测车道线的第一个也是最流行的方法是使用图像分割。实际上,作为一名自动驾驶汽车工程师,我花了好几个月的时间研究这个技术,因为它至关重要,而且一种名为LaneNet的算法被认为是实现这一目标的最佳方法。
我们需要了解三件事:
如何将车道线检测构建为分割问题
可以使用哪些架构?
如何根据分割掩模进行曲线拟合?
如何将车道检测构建为分割问题
如果你熟悉图像分割,你就会明白我的意思:我们的输入和输出都是图像。事实上,输出图像是一个分割蒙版,上面画有车道标记,就像下图底部一样:
顶部:输入图像|中间:预测|底部:标签
如您所见,我们的输入是一组图像,但我们的标签是相同的图像,带有重叠的分割线。这里,每种颜色代表一条线。这意味着我们不仅在进行图像分割,还在进行实例分割。多亏了这一点,我们可以区分左右线,还可以区分实线和虚线、曲线和直线等……
可以使用哪些架构?
用于执行分割的大多数模型都是编码器-解码器架构,根据数据集和标签,您将拥有或多或少的类别。您的任务是进行逐像素实例分类(对每个像素进行分类)。
这一类别中最受欢迎的架构(甚至在车道线检测中)是LaneNet。因此,我将深入研究LaneNet,然后探索其他一些模型。
LaneNet深度探究
LaneNet模型(来源)
输入是一张图像,然后经过E-Net编码器(预训练的图像分割编码器),然后是两个头:
1.底部的头部是一组上采样层,用于绘制二进制分割掩码。此掩码是二进制的,仅回答“此像素是否属于一条线?”的问题。
2.最上面的是一组进行像素嵌入的上采样层。这个术语很吓人,它实际上是在进行实例分割,其中包括为每个像素分配一个唯一的嵌入(一组特征值),以便属于同一车道线的像素具有相似的嵌入,而属于不同车道线的像素具有不同的嵌入。
例如,这里是这些“嵌入”的更好的可视化。
嵌入可视化基于聚类方法
然后,我们将这两者结合起来,并使用后聚类(如DBSCAN)将具有相似嵌入(特征)的线条组合在一起。这就是LaneNet,其中一个分支分类“线条与非线条”,另一个分支分类“线条A与线条B与线条C等...”,然后我们对来自相同线条的像素进行聚类。
其他算法是什么样的
LaneNet是此类别的先驱,但其他架构效果更佳,例如SCNN、RESA或CurveLane-NAS。
例如,SCNN(空间卷积神经网络)通过采用空间CNN层来增强车道检测,这使其能够考虑像素之间的水平连接,从而提高线路连续性。
RESA(循环空间注意)利用空间注意模块和循环反馈机制,通过关注连续处理阶段的相关空间特征来确保稳健的车道预测。
CurveLane-NAS使用神经架构搜索(NAS)自动识别最佳网络架构,确保模型针对曲线车道检测的特定任务进行良好调整。
它们内部都使用不同的机制,但输出始终是一个分段掩码。
3其他分割方法
接下来的问题是如何将分割蒙版转换成可用的东西:
曲线拟合
想象一下,你正在洗衣服:你花了15分钟仔细地将白色衣物和彩色衣物分开,又花了5分钟确保其中没有精致衣物。你小心翼翼地将所有衣物放入洗衣机,然后出发上班……却在途中发现自己忘了启动洗涤程序!
当您找到分割图?但不进行曲线拟合时,就会发生这种情况。曲线拟合是将2D或3D曲线拟合到来自相同检测到的车道的点的过程。
有三种方法可以实现:
直接曲线拟合:这意味着直接在图像空间内拟合曲线,它涉及找到一个多项式,该多项式将拟合二维平面中检测到的车道点的大多数x和y坐标。虽然这种方法很简单,但它需要解决现实世界的准确性问题(重新投影到三维空间时)和有效管理消失
文档评论(0)