了解与分析本科技成果,可查看成果概况并使用以下技术转移数智化应用工具:
成果概况
简介
提出了基于自编解码器(Masked Autoencoders,MAE)网络架构的 ST-MAE网络,在一定程度上降低了基于连续多帧图像序列的车道检测的计算成本;在ST-MAE网络中采用了“掩码”技术在处理大规模图像任务方面相比较其他混合神经网络具有巨大优势;使用了ST-LSTM,实现以多个连续帧构建时间序列,同时实现以端到端方式训练网络和时间序列数据的特征提取的功能。
实验基于TuSimple数据集进行。结果表明:对于简单场景,验证准确度为98.19%,测试准确度为98.07%,精确性为0.898。对于复杂场景,验证准确度为97.94%,测试准确度为97.87%,精确性为0.876。运行时间为5.7ms。
实验基于CULane数据集进行。结果表明,对于简单场景,验证准确度为97.86%,测试准确度为97.35%,精确性为0.868。对于复杂场景,验证准确度为97.57%,测试准确度为97.24%,精确性为0.849。运行时间为6.9ms。
提出了基于自编解码器(Masked Autoencoders,MAE)网络架构的 ST-MAE网络,在一定程度上降低了基于连续多帧图像序列的车道检测 的计算成本;在ST-MAE网络中采用了“掩码”技术在处理大规模图像 任务方面相比较其他混合神经网络具有巨大优势;使用了ST-LSTM,实 现以多个连续帧构建时间序列,同时实现以端到端方式训练网络和时间 序列数据的特征提取的功能。
实验基于TuSimple数据集进行。结果表明:对于简单场景,验证准 确度为98。19%,测试准确度为98。07%,精确性为0。898。对于复杂场景, 验证准确度为97。94%,测试准确度为97。87%,精确性为0。876。运行时间 为5。7ms。实验基于CULane数据集进行。结果表明,对于简单场景,验 证准确度为97。86%,测试准确度为97。35%,精确性为0。868。对于复杂场 景,验证准确度为97。57%,测试准确度为97。24%,精确性为0。849。运行 时间为6。9ms。
(此文字表达经过AI优化完善,查看原文请点击
原文)
专利基本信息
| 专利名称 |
|
| 专利状态 |
|
专利号(申请号) |
|
| 申请号 |
|
专利申请日期 |
|
| 专利授权日期 |
|
专利权届满日 |
|
| 专利所属地 |
|
专利类型 |
|
| 发明人 |
|
| 权利人 |
|
| 专利摘要 |
|