RESA: منتقي التحويل المميز المتكرر للكشف عن المسارات

تمثّل كشف المسارات واحدة من المهام الأساسية في القيادة الذاتية. نظرًا للسيناريوهات المعقدة المتنوعة (مثل الاحتجاز الشديد، والمسارات الغامضة، إلخ) والبيانات الإشرافية النادرة المتأصلة في تسميات المسارات، لا يزال تحدّي كشف المسارات مُحَدِّدًا. وبالتالي، يُعد من الصعب على الشبكة العصبية التلافيفية العادية (CNN) التدريب في المشاهد العامة لاستخلاص الخصائص الدقيقة للمسارات من الصور الخام. في هذا البحث، نقدّم وحدة جديدة تُسمّى "مُجمّع الخصائص المتكررة المُحَوَّلة" (REcurrent Feature-Shift Aggregator - RESA) لتعزيز خصائص المسارات بعد الاستخلاص الأولي للخصائص باستخدام شبكة CNN عادية. تُستفيد RESA من التحيّزات الشكلية القوية للمسارات، وتحتّم العلاقات المكانية بين البكسلات عبر الصفوف والأعمدة. وتُحَوِّل خريطة الخصائص المقطعة بشكل متكرر في الاتجاهات الرأسية والأفقية، مما يمكّن كل بكسل من جمع معلومات عالمية. وباستخدام تجميع خريطة الخصائص المقطعة، تُمكن RESA من التخمين الدقيق للمسارات في السيناريوهات الصعبة التي تفتقر إلى أدلة ظاهرية قوية. علاوةً على ذلك، نقترح مُفكّكًا ثنائي الاتجاه للترقية (Bilateral Up-Sampling Decoder) يدمج الخصائص الخشنة والدقيقة في مرحلة الترقية. ويُمكّن هذا المُفكّك من استعادة خريطة الخصائص منخفضة الدقة إلى تنبؤات دقيقة على مستوى البكسل. تحقّق طريقة عملنا نتائج رائدة في مجالها على بحثين شهيرين لكشف المسارات (CULane وTusimple). وتم إتاحة الكود عبر الرابط التالي: https://github.com/ZJULearning/resa.