摘要

车道检测对于车辆定位至关重要，是自动驾驶以及众多智能高级驾驶辅助系统的基础。现有的基于视觉的车道检测方法未能充分挖掘图像中宝贵的特征信息与上下文关联信息，尤其是连续帧间车道线与其他图像区域之间的相互关系。为弥补这一研究空白并提升车道检测性能，本文提出了一种端到端神经网络模型的处理流程，该流程包含基于掩码序列自编码器的自监督预训练阶段，以及采用定制化PolyLoss进行微调的优化阶段，其输入为多连续图像帧。在预训练阶段，采用掩码序列自编码器（masked sequential autoencoders）对神经网络进行训练，目标是通过随机掩码图像中的缺失像素来重建原始图像内容。随后，在微调阶段，模型以连续图像帧作为输入，执行车道检测分割任务。此时，预训练获得的模型权重被迁移至下游任务，并通过反向传播机制进一步更新，同时引入定制化的PolyLoss函数，用于计算输出的车道检测结果与标注真实值之间的加权误差。大量实验结果表明，所提出的流程显著提升了车道检测模型在常规场景与复杂挑战场景下的性能，超越了当前最先进的技术水平。在常规场景测试集上，模型取得了98.38%的最高测试准确率（testing accuracy）、0.937的精确率（precision）和0.924的F1分数（F1-measure）；在复杂场景测试集上，整体准确率（overall accuracy）达到98.36%，精确率（precision）达0.844，均位居前列。同时，该方法有效缩短了模型训练时间，具备良好的实用性与工程价值。