Resumen

La dificultad de la detección de carriles radica en el desequilibrio entre el número de píxeles objetivo y los píxeles de fondo. La distribución escasa de los objetivos lleva a la red neuronal a prestar más atención a la segmentación del fondo para obtener un mejor resultado de convergencia de pérdida. Esto dificulta que algunos modelos detecten los píxeles de las líneas de carril y provoca el fallo en el entrenamiento (incapacidad para producir información útil sobre los carriles). Aumentar adecuadamente el campo receptivo puede ampliar la esfera de acción entre píxeles, para así mitigar este problema. Además, la información de interferencia y el ruido presentes en el entorno real aumentan la dificultad de la clasificación de carriles, como la oclusión de vehículos, el reflejo en el cristal del coche y la sombra de los árboles. En este artículo, consideramos que las características obtenidas mediante la combinación razonable de campos receptivos pueden ayudar a evitar la sobresegmentación de la imagen, de modo que

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Detección de carriles; Red neuronal; Segmentación de fondo; Campo receptivo; Información de interferencia; ARFNet
• Keywords:Lane detection; Neural network; Background segmentation; Receptive field; Interference information; ARFNet