基于多任务特征融合与正交注意力的交通环境感知算法

摘要

自动驾驶场景中的协同多任务感知算法设计目前仍颇具挑战，针对此提出一种深度卷积神经网络算法MTEPN，用于同时完成车辆目标检测、可行驶路面区域提取和车道线分割三项视觉任务.首先采用CSPDarkNet网络提取交通场景图像的基础特征；其次设计了特征聚合模块C2f-K来获得更具细粒度的全局图像特征；随后提出正交注意力HWAttention降低计算量并增强空间尺度图像特征；并引进跨任务信息聚合模块CFAS实现任务间互补模式信息的融合；最后通过解耦的任务头模块来实现这三个感知目标.在BDD100k公开数据集上的实验结果表明，所提算法的平均目标检测精度mAP和可行驶区域提取的像素平均交并比mIOU分别为79.4%和92.4%，均超越同参数规模的主流多任务感知算法，车道线分割精度IoU为次优值27.2%，模型参数量仅为7.9M，单帧图像处理时间仅为24.3 ms，具有较好的综合性能.相关代码将在https://github.com/XMUT-Vsion-Lab/MTEPN公开.

关键词

交通环境感知 / 多任务学习 / 目标检测 / 图像分割 / 正交注意力

基金资助

福建省自然科学基金资助项目（2023J011439）