《表2 YOLO v3(S×2S)、BGRU-L和D-S在不同数据集下的车道线检测精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《道路结构特征下的车道线智能检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体为每个数据集下的最优值。

YOLO v3（S×2S）、BGRU-L和D-S在3个场景下的m AP如表2所示。在ETS2＿conv场景下3种算法的m AP值均略高于KITTI数据集，这是由于在ETS2的场景下，车道线标志清晰，干扰因素少，在经过D-S算法融合YOLO v3（S×2S）和BGRU-L的检测结果后，能够得到一个较高的m AP。在ETS2＿conv和KITTI数据集上，D-S融合算法相对于YOLO v3（S×2S）并没有较为明显的提升，表明基于视觉信息的YOLO v3（S×2S）算法在光照良好、无障碍物遮挡场景下，具有较强的车道线检测能力。