一种基于多维度自注意力机制的轻量级车道线检测算法

车道线检测是自动驾驶领域中一个基础的任务。现在最先进的方法主要将车道线检测视为逐像素分割的问题。作为一个密集预测任务，车道线检测需要较大的计算量，因此预测速度较为缓慢。但是作为自动驾驶的子任务，具备实时性是一个重要的要求。所以我们提出了一个极为轻量化的侧导向检测模型，来实现实时的车道线检测。而且针对卷积网络在特征提取过程中所造成的特征之间的依赖减弱问题，我们引入了双维度的自注意力机制来解决这个问题。通过在现有的车道线检测基准数据集上进行的大量实验表明，我们的方法可以在速度和准确性方面达到具备竞争性的性能。

车道线检测是计算机视觉领域一个重要问题。被广泛应用于自动驾驶和路径规划等领域。主流的车道线检测方法有两种， 传统的图像处理方法和深度分割方法最近， 由于深度学习的发展得到了广泛关注。

SCNN [1]通过提出相邻像素之间的消息传递机制显著提高了深度分割方法的性能。但是像素级通信需要更多的计算成本[2]。引入了生成对抗网络，提升了模型在弱光条件下的车道线检测的鲁棒性[3]。提出了一个轻量级的车道线检测网络，通过引入空洞卷积金字塔提升了模型预测的精度。尽管深度分割的车道线检测方法在精度上有了大幅度的提升，但是基于深度分割的车道线检测仍然存在着巨大的挑战。

车道线检测作为自动驾驶的子任务对实时性的要求非常高。尽管现在图形显卡的计算力有了大幅度的提升可以满足大多数视觉任务的运算需求，但是大量的运算同时也会带来很高的能量消耗。在汽车行驶过程中车道线检测算法需要持续进行运算，所以如果单次运算的能量消耗过高这会严重影响车辆的续航能力。因此在确保精度的同时我们还要降低模型的运算量，以达到低耗能实时运算的目的。为了实现低耗能实时运算的需求，我们提出了一个轻量化的车道线检测，并且为了解决卷积神经所带来的特征间依赖降低和特征离散问题，提出了一个融合自注意模块，通过融合空间注意力和通道注意力实现模型更有导向性地进行迭代。

2. 相关工作 随着深度学习的发展，基于深度神经网络的方法在车道检测方面表现出优越性。基于深度学习的车道线方法一般将车道线任务视为一个语义分割任务。例如，VPGNet [4]提出了一个由消失点引导的多任务网络，用于车道和道路标记检测。除了主流的分割公式外，还提出了其他公式，如序列预测和聚类。

Fast-Draw [5]预测每个车道点的车道方向，并依次绘制出来。在[6]中，车道检测的问题被视为聚类二进制段[7]。将自注意力机制引入了车道线检测模型一次提升模型性能。但是[7]他只关注了空间上自注意机制。而忽略了通道自注意力机制，因此在本文中我们在模型中引入了空间自注意力机制和通道自注意力机制来关注这两个维度的信息。