HyperAIHyperAI
il y a 17 jours

Un réseau d’association globale basé sur les points clés pour la détection de lignes

Jinsheng Wang, Yinchao Ma, Shaofei Huang, Tianrui Hui, Fei Wang, Chen Qian, Tianzhu Zhang
Un réseau d’association globale basé sur les points clés pour la détection de lignes
Résumé

La détection des lignes de chaussée constitue une tâche complexe, nécessitant la prédiction de formes topologiques complexes pour les lignes de délimitation tout en distinguant simultanément différents types de lignes. Les travaux antérieurs adoptent une approche descendante (top-down) consistant à régler des ancres prédéfinies vers diverses formes de lignes de chaussée, mais cette méthode manque de flexibilité pour s’adapter aux formes complexes des lignes en raison de la rigidité des formes d’ancres. Récemment, certains travaux proposent de reformuler la détection des lignes comme un problème d’estimation de points-clés afin de décrire plus librement les formes des lignes, en regroupant progressivement, point par point, les points voisins appartenant à la même ligne. Cependant, cette approche s’avère inefficace et coûteuse en temps durant le post-traitement. Dans cet article, nous proposons un réseau de liaison globale (Global Association Network, GANet), qui aborde la détection des lignes sous une nouvelle perspective : chaque point-clé est directement régressé vers le point de départ de la ligne de chaussée, plutôt que d’être étendu progressivement point par point. Plus précisément, l’association des points-clés à leur ligne respective est réalisée en prédisant leurs décalages par rapport aux points de départ correspondants de manière globale, sans dépendance mutuelle entre les points, ce qui permet un traitement parallèle et une amélioration significative de l’efficacité. Par ailleurs, nous introduisons également un agrégateur de caractéristiques sensible aux lignes (Lane-aware Feature Aggregator, LFA), qui capte de manière adaptative les corrélations locales entre points-clés adjacents afin de compléter l’information locale dans la phase de liaison globale. Des expériences étendues sur deux benchmarks populaires pour la détection des lignes montrent que notre méthode surpasser les approches antérieures, atteignant un score F1 de 79,63 % sur le dataset CULane et 97,71 % sur le dataset Tusimple, tout en offrant une vitesse élevée (FPS). Le code source sera publié à l’adresse suivante : https://github.com/Wolfwjs/GANet.

Un réseau d’association globale basé sur les points clés pour la détection de lignes | Articles de recherche récents | HyperAI