Keskeiset käsitteet
Unser Ansatz CLRmatchNet ersetzt den klassischen Zuordnungsprozess in der Fahrspur-Erkennung durch ein neuronales Netzwerk, was zu einer deutlichen Verbesserung insbesondere bei gekrümmten Fahrspuren führt.
Tiivistelmä
Die Fahrspur-Erkennung spielt eine entscheidende Rolle für autonomes Fahren, indem sie wichtige Daten für eine sichere Navigation liefert. Moderne Algorithmen verwenden ankerbasierte Detektoren, gefolgt von einem Zuordnungsprozess, um Trainingsdaten als positive oder negative Instanzen zu kategorisieren. Die Genauigkeit dieses Zuordnungsprozesses hat großen Einfluss auf die Modellleistung, hängt aber von einer vordefinierten klassischen Kostenfunktion ab, die die Ausrichtung zwischen Vorhersage und Referenz bewertet.
Unser Ansatz CLRmatchNet ersetzt diesen klassischen Zuordnungsprozess durch ein neuronales Netzwerk namens MatchNet. MatchNet lernt eine optimierte Zuordnung und wählt dynamisch die geeignete Anzahl an Zuordnungen pro Referenz. Integriert in das state-of-the-art Modell CLRNet, übertrifft CLRmatchNet dieses deutlich, insbesondere bei gekrümmten Fahrspuren (+2,8% für ResNet34, +2,3% für ResNet101, +2,96% für DLA34). Darüber hinaus behält es vergleichbare Ergebnisse in anderen Bereichen. Unser Ansatz erhöht auch das Vertrauen in die Fahrspur-Erkennung, was eine Anhebung des Konfidenzgrenzwerts ermöglicht.
Tilastot
Die Erkennung gekrümmter Fahrspuren wurde um 2,8% für ResNet34, 2,3% für ResNet101 und 2,96% für DLA34 verbessert.
Lainaukset
"Unser Ansatz CLRmatchNet ersetzt den klassischen Zuordnungsprozess in der Fahrspur-Erkennung durch ein neuronales Netzwerk, was zu einer deutlichen Verbesserung insbesondere bei gekrümmten Fahrspuren führt."
"MatchNet lernt eine optimierte Zuordnung und wählt dynamisch die geeignete Anzahl an Zuordnungen pro Referenz."