科研之友
微信
新浪微博
Facebook
分享链接
摘要
在复杂行驶环境下快速准确地识别前方路面类型，是车辆主动控制系统及时做出预判的关键前提。针对现有方法未能兼顾精度和速度且难以在车端部署的问题，提出一种基于结构重参数化与自适应注意力的路面分类模型，可对车辆前方的沥青、水泥、冰雪、沙土、花砖、石板、湿滑等复杂路面进行快速准确的甄别。首先，构建以水平/垂直/方形/点形等多分支异构卷积为核心的特征提取骨干网络。其次，提出一种轻量高效的注意力机制，能够根据特征尺寸自适应地聚合空间上下文信息，并根据特征维度自适应地进行局部跨通道交互，使模型聚焦于高相关的路面特征。在此基础上，引入结构重参数化思想，对模型的训练周期和推理周期进行解耦，在训练时通过多分支学习获得高裕度的特征表示，而在推理时将多分支结构等价转换为直铺式单支路结构，在不牺牲模型性能的前提下获得轻量化的部署模型以及显著的推理加速。实验结果表明：提出的模型能够在复杂行驶环境下有效识别路面类型，以6.57M的参数量取得99.14%的全场景分类精度和96.48%的新场景分类精度，同时具有每秒496.28帧的服务器推理速度和每秒33.89帧的边缘推理速度。与现有其他主流模型相比，提出的模型取得了准确性、实时性和轻量化的良好平衡，具备复杂多变场景的高适应性，在车前路面类型识别任务上有明显优势。
- 单位
