基于视觉注意力的深度神经网络车道线检测算法研究

摘要

随着智能辅助驾驶及自动驾驶系统的发展，复杂道路场景下基于视觉的车道线检测已成为热点研究课题。现有的车道线检测算法分为两大类，一类是基于传统图像处理的算法，另一类是基于深度神经网络的算法。第二类算法的准确性比第一类算法更高，但是也存在两个问题。(1)在复杂道路场景下，准确性会下降，主要原因是：深度神经网络的实际感受野远小于理论感受野；神经网络在推断时容易被无关的信息干扰。(2)深度神经网络算法在运行时需要很高的计算代价，主要原因是这类算法含有大量的参数。　　为了降低第一个问题对检测准确性的影响，提出了一个并列融合通道注意力机制和自注意力机制的模块AMSC(an attention modulecombining self–attention mechanism and channel attention mechanism)。自注意力机制通过建模特征图上元素间的远距离依赖关系来增加网络的感受野；通道注意力机制通过建模通道间的依赖关系来降低不重要信息的干扰。在计算性能上，相比于建模特征图上元素和通道依赖关系的最新方法，AMSC有并行计算优势。将AMSC应用于LargeFOV网络，提出了一个基于注意力机制的车道线检测算法modifiedLargeFOV。在CULane车道线检测数据集上的实验结果表明，modifiedLargeFOV的准确性(F1值)比ReNet和DenseCRF分别高出5.9%和9.2%，运行速度快至少1.6倍。　　为了降低第二个问题对计算效率的影响，本文借鉴MobileNets和MobileNetV2的设计思想，通过将AMSC应用到参数量更少的深度可分离卷积网络和降低输入图像的分辨率，提出了一个轻量级基于注意力机制的车道线检测算法MobileLaneY。在图森车道线检测数据集上的实验结果表明，MobileLaneY相比于SCNN算法，准确性(mIoU值)只降低了7.32%，但是运行速度快了7.8倍。

目录

声明

第 1 章 绪论

1.1 课题来源

1.2 研究背景及意义

1.2.1 研究背景

1.2.2 研究意义

1.3 国内外研究现状

1.3.1 车道线检测

1.3.2 视觉注意力机制

1.4 本文主要工作

1.5 章节安排

第 2 章 深度神经网络基础

2.1 引言

2.2 卷积神经网络

2.3 语义分割网络

2.4 小结

第3 章注意力模块AMSC

3.1 引言

3.2 注意力模块设计

3.2.1 增加网络感受野

3.2.2 增加重要通道信息权重

3.2.3 融合方式和性能分析

3.3 注意力模块实现

3.3.1 自注意力机制的实现过程

3.3.2 通道间注意力机制的实现过程

3.4 参数和效率分析

3.4.1 模块参数量分析

3.4.2 模块计算效率分析

3.5 小结

第4 章基于视觉注意力机制的车道线检测算法

4.1 引言

4.2 Modified LargeFOV 算法

4.3 MobileLaneY 算法

4.4 注意力车道线检测算法理论分析

4.4.1 AMSC放置位置分析

4.4.2 准确性和计算代价分析

4.5 小结

第5 章实验

5.1 引言

5.2 数据集和实验平台介绍

5.2.1 CULane 车道线检测数据集介绍

5.2.2 图森车道线检测数据集介绍

5.3 实验过程

5.3.1 CULane 车道线检测数据集

5.3.2 图森车道线检测数据集

5.4 结果和分析

5.4.1 AMSC实验结果和分析

5.4.2 Modified LargeFOV 实验结果和分析

5.4.3 MobileLaneY实验结果和分析

5.5 小结

结论

参考文献

附录 A 攻读学位期间所发表的学术论文目录

致谢