基于Transformer的车道线分割算法研究

作者：丁志江; 李丹; 马志程; 张宝龙^*

来源：电子测量与仪器学报, 2022, 36(10): 227-234.

DOI：10.13382/j.jemi.B2205553

• 车道线检测
• 语义分割
• Transformer
• U-Net

车道线检测任务包含道路磨损、阴影遮挡和弯道等困难样本，这些样本中线条信息均有不同程度的缺失，使检测结果出现漏检或误检现象。基于深度学习的检测方案通过卷积操作提取特征信息。卷积操作摒弃人工设计滤波器等一系列传统图像处理的繁琐操作，得益于权重共享和归纳偏置大大减少了特征提取的工作量。该操作在缩小图像分辨率的同时获取长距离的信息，导致小分辨率的特征图损失区域边缘等细节，影响检测结果的质量。深度学习中分割模型比检测模型处理的信息更细致，本文在分割模型的基础上引入Transformer改进采样方式，改善卷积操作在获取全局信息上的不足。模型改进后在Tusimple上测试准确率提高0.4%,像素精准度提高0.3,乘法累加运算量增加36.09 G。结果表明Transformer特有的采样方式可以改善卷积操作采样的不足，改善语义分割网络对车道线困难样本识别漏检的情况。

• 单位
  天津科技大学; 自动化学院