基于自适应结构线与实例分割融合的街景车道级道路区域提取方法

《Sensors》：ASLIF: Accurate Lane-Area Perception Through Adaptive Fusion of Structural Lines and Instance Segmentation

　　

摘要

车道级道路库存旨在从街景图像中同时提取方向一致的车道区域和可见车道数量。然而，现有的基于线的方法无法直接恢复完整的车道区域，而基于区域的方法可能会包含无关的路面。为解决这些挑战，我们提出了自适应结构线-实例融合（ASLIF），一个预测级框架，将结构线预测与实例级区域预测相结合。ASLIF将O2SFormer的线预测转换为区域掩码，并将其与Mask R-CNN产生的连续区域响应进行融合。一个图像级融合系数根据场景复杂度、估计的车道密度以及各分支之间的置信度差异，调整两个分支的相对贡献。在中国南京的测试集上的实验表明，ASLIF达到了0.92的精确率、0.90的微平均F1值、0.90的平均F1值和0.82的平均IoU值，在评估的基线语义分割方法中具有最高的精确率。这些结果表明，ASLIF提供了一个以精确性为导向的工作点，在抑制误检车道区域的同时保留了大量的区域覆盖率。