LDNet: Ein end-to-end-Ansatz zur Spurmarkierungserkennung unter Verwendung eines dynamischen Vision-Sensors

Moderne Fahrzeuge sind mit verschiedenen Fahrerassistenzsystemen ausgestattet, darunter das automatische Spurhalteassistenzsystem, das unbeabsichtigte Spurverläufe verhindert. Traditionelle Spurerkennungsmethoden basieren auf handgezeichneten oder auf tiefen Lernverfahren basierenden Merkmalen, gefolgt von Nachverarbeitungstechniken zur Spurerkennung mittels framebasierten RGB-Kameras. Die Nutzung framebasierter RGB-Kameras für Aufgaben der Spurerkennung ist anfällig für Lichtintensitätsvariationen, Sonnenlichtreflexionen und Bewegungsunschärfen, was die Leistungsfähigkeit von Spurerkennungsmethoden einschränkt. Die Integration einer Ereigniskamera in die Wahrnehmungsschicht autonomer Fahrzeuge stellt eine der vielversprechendsten Lösungen dar, um die Herausforderungen zu bewältigen, die durch framebasierte RGB-Kameras entstehen. Der Hauptbeitrag dieser Arbeit liegt in der Entwicklung eines Modells zur Spurmarkierungserkennung, das einen dynamischen Vision-Sensor (Event Camera) nutzt. In dieser Arbeit wird die neuartige Anwendung der Spurmarkierungserkennung mittels Ereigniskamera erforscht, indem ein konvolutioneller Encoder mit einem auf Aufmerksamkeit gestützten Decoder kombiniert wird. Die räumliche Auflösung der kodierten Merkmale wird durch einen dichten atrous spatial pyramid pooling (ASPP)-Block beibehalten. Die additive Aufmerksamkeitsmechanik im Decoder verbessert die Leistung bei hochdimensionalen, kodierten Eingabemerkmalsdaten und fördert die präzise Lokalisierung der Spur, während gleichzeitig die Berechnungsaufwände für Nachverarbeitungsschritte reduziert werden. Die Wirksamkeit des vorgeschlagenen Ansatzes wird anhand des DVS-Datensatzes für Spurerkennung (DET) evaluiert. Die experimentellen Ergebnisse zeigen eine signifikante Steigerung der F1-Scores um 5,54 % und 5,03 % bei multiklassiger und binärer Spurmarkierungserkennung. Zudem übertreffen die Intersection-over-Union (IoU)-Werte des vorgeschlagenen Verfahrens die der besten state-of-the-art-Methode um 6,50 % und 9,37 % bei multiklassiger und binärer Aufgabe, jeweils.