(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211066541.5 (22)申请日 2022.09.01 (71)申请人 中国科学院合肥物质科 学研究院 地址 230031 安徽省合肥市蜀山区蜀山湖 路350号 (72)发明人 孔斌　张露　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 朱文振 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/764(2022.01) G06V 10/778(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于双向分离注意力的车道线检测与分类 方法及系统 (57)摘要 本发明提供基于双向分离注意力的车道线 检测与分类方法及系统， 方法包括： 构建轻量化 车道线检测分类网络LNet， 其中， 所述轻量化车 道线检测分类网络LNet包 括： 对称单元及密集对 称块， 利用所述密集对称块密集连接不少于2个 的所述对称单元； 构建双向分离注意力机制， 据 以构建长距离像素之间的依 赖关系， 并获取全局 位置信息和局部细节信息。 本发 明解决了参数量 大以及分割性能较 差的技术问题。 权利要求书2页 说明书10页 附图4页 CN 115497069 A 2022.12.20 CN 115497069 A 1.基于双向分离注意力的车道线检测与分类方法， 其特 征在于， 所述方法包括： S1、 构建轻量化车道线检测分类 网络LNet， 其中， 所述轻量化车道线检测分类 网络LNet 包括： 对称单元及密集对称块， 利用所述密集对称块密集连接不少于2个的所述对称单元， 其中， 所述 步骤S1包括： S11、 以所述轻量化车道线检测分类网络LNet的编码器下采样处理输入图像， 以逐级降 低所述输入图像的分辨 率， 据以获取小分辨 率特征图； S12、 以解码器上采用处理所述编码器 中的最后一层卷积图像， 以恢复所述小分辨率特 征图至所述输入图像的原始大小， 其中， 融合处理所述解码 器及所述编码 器的输出特征， 以 得到融合特 征； S13、 利用加权交叉熵损失函数训练所述轻量 化车道线检测分类网络L Net； S2、 构建双向分离注意力机制， 据以构建长距离像素之间的依赖关系， 并获取全局位置 信息和局部细节信息， 所述 步骤S2包括： S21、 将双向分离注意力模块TSA添加至所述轻量化车道线检测 分类网络LNet中， 据以 构建双向注意力轻量车道线检测分类网络TSANet； S22、 利用所述双向分离注意力模块TSA分别从横 向像素及纵向像素中， 集成目标纹理 及目标位置信息， 将所述融合特征作为输入特征图， 利用所述双向分离注意力模块TSA处理 根据所述输入特 征图， 据以得到适用映射关系作为所述长距离像素之间的依赖关系。 2.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法， 其特征在于， 所述步骤S1中， 将所述双向分离注意力模块TSA 放入编码 器中每一个密集连接块后， 供所述 双向注意力轻量车道线检测分类网络TSANet提取目标 特征和语义信息 。 3.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法， 其特征在于， 所述步骤S11中， 所述轻量化车道线检测分类网络LNet在上采样过程中融合编码器阶段提 取的多尺度特 征的输出分辨 率， 以弥补信息损失。 4.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法， 其特征在于， 所述步骤S12包括： S121、 融合处 理第一编码器D S1和第七编码器D S7输出的所述多尺度特 征； S122、 融合处 理第二编码器D S2和第六编码器D S6输出的所述多尺度特 征； S123、 融合处 理第三编码器D S3和第五编码器D S5输出的所述多尺度特 征。 5.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法， 其特征在于， 所述步骤S13中， 以下述加权交叉熵损失函数训练所述轻量 化车道线检测分类网络L Net： 式中， n为像素的数目， yi为第i个像素的id， 其 中， id表示特征车道线或背景， pi表述第 i个像素的类别预测概 率。 6.根据权利要求5所述的基于双向分离注意力的车道线检测与分类方法， 其特征在于， 利用正则化 参数L2将权重参数约束至适用区域， 以降低过拟合 概率。 7.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法， 其特征在于， 所述步骤S22中的所述双向分离注意力模块TSA为独立模块。 8.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 115497069 A 2所述步骤S22包括： S221、 利用下述逻辑， 分别从横向和 纵向对所述输入特征图进行最大池化和平均池化 操作， 以获得横向特 征图及纵向特 征图； 式中， MP、 AP分别表示 最大和平均池化； S222、 输送所述横向特征图及所述纵向特征图至共享模块， 据以处理得到横向共享特 征及纵向共享特征， 利用Sigmoid激活函数， 以下述逻辑处理所述横向共享特征及所述纵向 共享特征， 据以得到横向激活特 征Hn'及纵向激活特 征Wn'： Hn'＝f(Θ(Hn)) Wn'＝f(Θ(Wn)) 式中， f是Sigmo id激活函数， Θ表示共享模块； S223、 以下述逻辑将所述横向激活特征及所述纵向激活特征相乘， 据以得到注意力特 征， 以构建所述长距离像素之间的依赖关系： An＝Fn×Hn'×Wn'。 9.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法， 其特征在于， 所述步骤S22中的所述共享模块包括： 2个卷积层。 10.基于双向分离注意力的车道线检测与分类系统， 其特 征在于， 所述系统包括： 轻量化车道线检测分类模块， 用以构建轻量化车道线检测分类网络LNet， 其中， 所述轻 量化车道线检测分类网络LNet包括： 对称单元及密集对称块， 利用所述密集对称块密集连 接不少于2个的所述对称单 元， 其中， 所述轻量 化车道线检测分类模块包括： 分辨率降低模块， 用于以所述轻量化车道线检测分类网络LNet的编码器下采样处理输 入图像， 以逐级降低所述输入图像的分辨 率， 据以获取小分辨 率特征图； 特征融合模块， 用于以解码器上采用处理所述编码器中的最后一层卷积图像， 以恢复 所述小分辨率特征图至所述输入图像的原始大小， 其中， 融合处理所述解码器及所述编码 器的输出 特征， 以得到融合特 征， 所述特 征融合模块与所述分辨 率降低模块连接； 网络训练模块， 用以利用加权交叉熵损失函数训练所述轻量化车道线检测分类网络 LNet； 位置细节信息模块， 用以构建双 向分离注意力机制， 据以构建长距离像素之间的依赖 关系， 并获取全局 位置信息和局部细节信息， 所述位置细节信息模块与所述轻量化车道线 检测分类模块连接， 所述 位置细节信息模块包括： 双向注意力网络构建模块， 用以将双 向分离注意力模块TSA添加至所述轻量化车道线 检测分类网络L Net中， 据以构建双向注意力轻量车道线检测分类网络TSANet； 依赖关系获取模块， 用以利用所述双 向分离注意力模块TSA分别从横向像素及纵向像 素中， 集成目标 纹理及目标位置信息， 将所述融合特征作为输入特征图， 利用所述双向分离 注意力模块TSA处理根据所述输入特征图， 据以得到适用映射关系作为所述长距离像素之 间的依赖关系， 所述依赖关系获取模块与所述双向注意力网络构建模块连接 。权　利　要　求　书 2/2 页 3 CN 115497069 A 3