驾驶区域分割与车道线检测多任务网络方法研究OA

目的交通驾驶感知系统是自动驾驶技术的关键组成部分之一,该系统包含多个任务并且需要保证高实时性和高可靠性,针对现有方法目标检测效果差,部分遮挡情况下目标区域语义分割不精确等问题,提出一种端到端的多任务网络模型MTNet,用于完成交通驾驶感知系统中可驾驶区域分割和车道线检测两项关键任务。方法在颈部网络设计中改进特征金字塔FPN(Feature Pyramid Network)模块以获得更高效的检测性能;在网络结构中引入ELAN(Efficient Layer Aggregation Networks)结构和重参数化方法对原始卷积进行升级;根据不同任务特点设计了更精准的多任务损失函数,同时提出了更有效的训练策略。结果通过在BDD100k(Berkeley DeepDrive)数据集上进行大量实验,表明可驾驶区域分割任务的平均交并比(Mean Intersection over Union,mIoU)达到95.6%,车道线检测任务的准确率(Accuracy)达到89.3%。结论实验结果表明:MTNet展现出对复杂背景干扰的鲁棒性,提升了目标检测分割的精确度;无论是在白天还是夜晚,复杂还是简单场景中,都具有良好的检测分割效果。