通过训练卷积神经网络，我们针对自然场景中的路面图像进行了消失点预测，并与文献中经典的消失点检测方法进行了比较。结果显示，我们的方法能够更有效地预测消失点。

Sep, 2016

通过设计轻量级模组，提出了一种用于自动驾驶中的准确高效线路地标检测系统，该系统能够有效检测停车服务中的线路地标，并应用于 Qualcomm 820A 平台的实时检测。

Sep, 2023

利用消失点先验知识的 VPSeg 模型在驾驶场景下进行视频语义分割，通过两个模块（DenseVP 和 MotionVP）利用静态和动态消失点先验知识，实现了更加有效的分割结果。这种模型在两个流行的驾驶分割基准数据集 Cityscapes 和 ACDC 上的实验证明了其在准确性方面的卓越表现，同时计算开销相对较小。

Jan, 2024

本文提出了一个基于深度学习和结构引导的车道检测框架，采用实例分割表示车道，使用自上而下的消失点引导机制，并引入多层结构约束，在公开基准数据集上表现优于现有方法。

May, 2021

本文提出了一种使用深度卷积神经网络进行车道标记检测的算法，采用扩张卷积、精简模型结构等手段提高其低复杂度、高准确性，再采用后处理算法对曲线车道建模，该算法在拍摄到的路况场景下表现优异。

Sep, 2018

本文介绍了一种基于快速霍夫变换层的新型神经网络架构，将其应用于处理文档图像中的消失点检测问题，并使用 MIDV-500 数据集证明其强大的泛化能力。

Sep, 2019

本文介绍了一种基于对称全卷积神经网络和小波变换的航空车道标线自动分割方法，该方法在使用新型数据增强步骤和自定义损失函数的前提下，在不使用第三方信息的情况下实现了车道标线的高精度像素定位。同时，本文介绍了我们在实验中使用的第一个高质量数据集，该数据集可公开使用，并且可以用作此领域未来算法的基准数据集。

Mar, 2018

本文研究复杂的雨天环境下的车道深度估计，在深度神经网络生成模型的基础上，通过卷积核预测的概念，提出了一个经过离线训练的双层像素级卷积核预测网络。同时，考虑到当前缺乏真实的雨天车道数据，引入了一个图像合成算法，RCFLane，用于综合考虑降雨和局部雾效所引起的环境变暗。通过在常用深度估计数据集 KITTI 上创建包含 820 个实验图像的合成数据集 RainKITTI，广泛实验证明了我们提出的深度估计框架在高度复杂的车道雨天环境中取得了良好的结果。

May, 2024

本文提出了一种渐进式多任务抗噪声学习（PMAL）框架和一种渐进式多任务蒸馏（PMD）框架，以解决细粒度车辆识别中由图像噪声引起的类内差异问题。通过将图像去噪视为图像识别中的一项额外任务，并渐进地使模型学习噪声不变性，PMAL 框架实现了较高的识别准确性。PMD 框架将 PMAL 训练模型的知识转移到原始骨干网络中，产生一个具有与 PMAL 训练模型相同识别准确性的模型，但没有原始骨干网络的额外开销。结合这两个框架，在 Stanford Cars 和 CompCars 等两个广泛使用的标准细粒度车辆识别数据集，以及北京理工大学（BIT）车辆、Vehicle Type Image Data 2（VTID2）和 Vehicle Images Dataset for Make Model Recognition（VIDMMR）等三个监控图像车辆类型分类数据集上，获得了显著超过以往最先进方法的模型，而没有原始骨干网络的额外开销。

Jan, 2024

UG2 + 挑战赛 2019 年 IEEE CVPR 旨在讨论和探索低级别视觉技术如何在各种场景中有助于高级别自动视觉识别。其第二个跟踪，我们专注于在恶劣天气（雾，雨）和低光条件下导致的目标或人脸检测的可见度增强。为了提供更彻底的检查和公平比较，我们在真实的雾，雨和低光条件下引入了三个基准集合，分别注释了对象 / 人脸。通过级联现有增强和检测模型报告基线结果，表明我们的新数据具有极大的挑战性以及进一步技术创新的巨大空间。

Apr, 2019