レーン検出のための重量融合に基づく比例特徴ピラミッドネットワーク

極端な条件下でのレーン検出は、レーンラインの複雑なトポロジを予測し、さまざまなレーンタイプを区別するために各重要なピクセルをキャプチャする必要がある非常に挑戦的なタスクを提示します。既存の方法は、主に、実質的なパラメーターまたは複数の予測モジュールの融合を備えたディープフィーチャの抽出ネットワークに依存しており、モデルサイズが大きく、埋め込みの難しさ、検出速度が遅くなります。この記事では、レーン検出のためにウェイトをFPNに融合させることにより、比例機能ピラミッドネットワーク（P-FPN）を提案します。より正確に検出される結果を取得するために、P-FPNネットワークに相互精製ブロックが導入されます。クロス洗練ブロックは、機能マップとアンカーを入力として取り、高レベルの機能マップから低レベルの機能マップから低レベルの機能マップからアンカーを徐々に改良します。私たちの方法では、高レベルの機能を調査してレーンを粗く予測し、ローカル検出機能を活用してローカリゼーションの精度を向上させます。広く使用されている2つのレーン検出データセット、レーン検出のための中国の都市シーンベンチマーク（Culane）およびTusimple Lane Detection Challenge（Tusimple）データセットに関する広範な実験は、提案された方法がいくつかの最先端と比較して競争結果を達成することを示しています。アプローチ。

Lane detection under extreme conditions presents a highly challenging task that requires capturing each crucial pixel to predict the complex topology of lane lines and differentiate the various lane types. Existing methods predominantly rely on deep feature extraction networks with substantial parameters or the fusion of multiple prediction modules, resulting in large model sizes, embedding difficulties, and slow detection speeds. This article proposes a Proportional Feature Pyramid Network (P-FPN) through fusing the weights into the FPN for lane detection. For obtaining a more accurately detecting result, the cross refinement block is introduced in the P-FPN network. The cross refinement block takes the feature maps and anchors as inputs and gradually refines the anchors from high to low level feature maps. In our method, the high-level features are explored to predict lanes coarsely while local-detailed features are leveraged to improve localization accuracy. Extensive experiments on two widely used lane detection datasets, The Chinese Urban Scene Benchmark for Lane Detection (CULane) and the TuSimple Lane Detection Challenge (TuSimple) datasets, demonstrate that the proposed method achieves competitive results compared with several state-of-the-art approaches.