HyperAIHyperAI
منذ 17 أيام

كشف المسارات باستخدام AtrousFormer متعدد الاستخدامات والإرشاد الدلالي المحلي

Jiaxing Yang, Lihe Zhang, Huchuan Lu
كشف المسارات باستخدام AtrousFormer متعدد الاستخدامات والإرشاد الدلالي المحلي
الملخص

تمثّل كشف الخطوط أحد الوظائف الأساسية في القيادة الذاتية، وقد أثارت اهتمامًا واسع النطاق مؤخرًا. يجب أن تكون الشبكات المُصمّمة لتقسيم حالات الخطوط، خاصة تلك ذات المظهر السيئ، قادرة على استكشاف خصائص توزيع الخطوط. تميل معظم الطرق الحالية إلى الاعتماد على تقنيات قائمة على الشبكات العصبية التلافيفية (CNN). ورغم أن بعضها حاول دمج النموذج الحديث الشهير، وهو نموذج التحويل (seq2seq Transformer) \cite{transformer}، إلا أن عيوبه الجوهرية، مثل ضعف قدرته على جمع المعلومات العالمية، والحمل الحسابي المرتفع جدًا، يمنعان تطبيقه على نطاق واسع في التطبيقات المستقبلية. في هذا العمل، نقترح نموذج "Transformer المُتَسَع" (AtrousFormer) لحل هذه المشكلة. كما ندمج نسخة محلية منه (Local AtrousFormer) ضمن مُستخرج الميزات لتعزيز عملية الاستخلاص. حيث تقوم هذه النسخة بجمع المعلومات أولاً بالصفوف ثم بالأعمدة بطريقة مخصصة، مما يمنح شبكتنا قدرة أقوى على استخلاص المعلومات وكفاءة حسابية أفضل. وبالإضافة إلى ذلك، نقترح أيضًا مُفكّكًا موجهًا بالسياق المحلي لتحسين دقة تحديد هويات الخطوط وأشكالها، حيث تُستخدم الخريطة الغاوسية المُنبَتة لنقطة بداية كل خط كمرشد في هذه العملية. أظهرت النتائج الواسعة على ثلاث معايير صعبة (CULane، TuSimple، وBDD100K) أن شبكتنا تتفوّق على أحدث التقنيات الحالية.

كشف المسارات باستخدام AtrousFormer متعدد الاستخدامات والإرشاد الدلالي المحلي | أحدث الأوراق البحثية | HyperAI