研究目的
为了在航拍图像中实现准确可靠的车道线语义分割,从而创建自动驾驶、基础设施监测、车道级交通管理和城市规划所需的高精度地图。
研究成果
研究表明,通过小波变换和代价敏感损失函数增强的Aerial LaneNet网络,在航拍图像中的车道线分割任务上实现了高精度。该网络性能优于现有最先进方法,并对地面采样距离(GSD)、相机视角及光照条件的变化表现出强鲁棒性。新引入的AerialLanes18数据集为此领域未来研究提供了基准测试基准。
研究不足
局限性包括阴影区域识别困难、道路语义标志难以辨认以及车道标线褪色问题。该网络在分割极小的车道标线物体以及复杂背景环境下也表现出性能下降。
1:实验设计与方法选择:
本研究提出一种结合小波变换的对称全卷积神经网络(FCNN),用于航拍图像中的车道标线分割。该方法包含定制化损失函数和新型数据增强步骤,以解决车道标线像素与背景像素严重失衡的问题。
2:样本选择与数据来源:
实验采用德国航空航天中心(DLR)在航测活动中获取的影像数据,具体使用包含高分辨率航拍图像中标注车道标线的AerialLanes18数据集。
3:实验设备与材料清单:
原始数据通过由三台佳能Eos 1Ds Mark III相机组成的3K摄像系统采集,该系统安装在用于航拍的柔性平台上。
4:实验流程与操作步骤:
输入图像经提出的Aerial LaneNet网络处理,该网络包含小波变换融合、对称FCNN架构及代价敏感损失函数,采用Adam优化器和反向传播进行端到端训练。
5:数据分析方法:
通过网络性能指标评估效果,包括像素精度、平均精度、平均交并比、频率加权交并比和骰子相似系数,并与前沿方法进行对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容