科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对复杂交通环境下道路感知能力差、鲁棒性低的问题，提出了一种复杂交通环境下基于多任务学习的道路感知网络(Multi-task Learning-based Road Perception Network in Complex Traffic Environment, MLRPNet),可以在复杂交通环境下有效地学习到道路目标的特征信息，提高复杂交通环境下道路感知的准确性和鲁棒性。MLRPNet由一个用于特征提取的编码器和2个分别处理车道线检测与可行驶区域识别的解码器组成，特征提取器由4个残差块构成的主干网络ResNet34实现，车道线检测解码器采用Transformer提取特征图上对应车道线锚点的全局信息，可行驶区识别解码器采用空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块提高在复杂交通环境下对道路特征的提取能力。在BDD100K数据集上的对比实验结果证明了MLRPNet通过2类任务的共性增强特征提取能力，能够在保证高效率的同时有效提高道路感知的准确性，适用于复杂交通环境下的道路感知任务。
-
单位之江实验室
