《表1 目标特征蒸馏网络与state-of-the-art车道线检测算法计算结果》
定量分析:为了验证本文提出方法的有效性,计算其在Culane数据集上的F1评分,表1显示了在SCNN上应用目标特征蒸馏方法后,其与当前最先进车道线检测方法的计算结果。不增加额外计算成本的同时,在Culane数据集的9个复杂场景中,本文方法在其中6个场景和整个测试集上的F1评分领先于其余各算法,验证了本文方法的有效性。但在crowd场景和hlight场景中GCJ[18]方法的F1评分高于其他方法,这是由于GCJ方法使用了车道线和行驶区域之间的几何先验信息,增加了该算法对遮挡车道线的上下文推理能力,通过增加几何信息改善车道线分割效果,为本文下一步的工作。
图表编号 | XD00184509300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.15 |
作者 | 龙建武、彭浪、安勇 |
绘制单位 | 重庆理工大学计算机科学与工程学院、重庆理工大学计算机科学与工程学院、重庆理工大学计算机科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |