摘要
本发明公开了一种基于渐进式决策融合的快速车道线检测方法,属于自动驾驶环境感知技术领域,解决现有方法因多尺度特征融合不充分导致小尺度车道线漏检以及计算效率与精度矛盾的问题。该方法通过骨干神经网络模块的多阶段瓶颈结构实现高效特征提取;随后由特征渐进式决策融合模块抽取骨干网络层级2‑4的中间层特征图及输出层特征,分别经分支1的4层卷积、分支2的3层卷积、分支3的2层卷积及分支4的1层卷积独立处理后,按分支1+分支2→分支3→分支4的渐进式逐元素加法融合生成概率图;最后结合分类损失、结构损失与辅助分割损失优化模型训练。该方法显著提升弯曲与小尺度车道线的检测精度,满足自动驾驶车辆实时车道保持与路径规划需求。
技术关键词
车道线检测方法
深度神经网络模型
分支
层级
决策
索引
瓶颈结构
优化器
环境感知技术
数据
图像输出模块
定义
网格
动态规划算法
更新网络参数
中间层
系统为您推荐了相关专利信息
交互式数字
生成对抗网络
多模态数据库
混合聚类算法
多模态数据采集
稀疏卷积神经网络
远程操作方法
工业设备
分布式计算节点
分布式计算架构
应急指挥调度方法
CART决策树
文本特征向量
概念
案例推理方法
多源异构数据融合
智能决策方法
许可
风险
资源分配机制
深度强化学习
资源分配方法
深度神经网络模型
策略
雷达