《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》
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。
图表编号 | XD00215919600 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.16 |
作者 | 张翔、唐小林、黄岩军 |
绘制单位 | 浙江财经大学信息管理与人工智能学院、重庆大学汽车工程学院、同济大学汽车学院 |
更多格式 | 高清、无水印(增值服务) |