Feb, 2018

朝向端到端的车道检测：一种实例分割方法

PDF
TL;DR本文提出了一种快速的车道检测算法，其将车道检测问题作为实例分割问题来解决，并使用一种基于学习的透视变换对车道进行参数化拟合，以应对车道变化。该方法既可以处理可变数量的车道，又可以处理车道变化，并在 tuSimple 数据集上取得了竞争性的结果。
driver assist featuresautomatic lane keepinglane detection methodsdeep learning modelslane segmentation
发现论文，激发创造
  • 不可知车道检测

    该研究提出了一种基于实例分割和多任务学习的车道检测算法，有效地解决了光照条件、遮挡、车道数量变化等问题，经过三个流行的车道检测基准测试得到了验证。

    May, 2019

  • 城市环境下车道实例分割数据集

    提出一种半自动化的方法，利用估计的 3D 道路平面投影所有图像序列中的标签，以实现图像序列的高效标注，平均每张图像的标注时间缩短到了 5 秒，无需使用昂贵的传感器设备，同时发布了一个包含 24,000 张图像的数据集并展示了实验结果。

    Jul, 2018

  • 通过逐行分类实现端到端车道标线检测

    本文提出了一种端到端的车道标线检测方法，利用分类任务代替传统的像素级密集预测任务，并使用一种新颖的层来压缩水平分量，通过简单的测试时间操作实现车道标线位置的直接预测，实验结果证明该方法在 TuSimple 和 CULane 数据集上具有与或优于现有技术。

    May, 2020

  • 车道检测的关键点估计和点实例分割方法

    本文提出一种名为 Point Instance Network（PINet）的交通线检测方法，该方法采用了关键点估计和实例分割方法，使得训练的模型大小可以根据目标环境的计算能力进行选择，以适应不同数量的交通线。在 TuSimple 和 Culane 公共数据集上，该方法具有竞争力的准确性和误报率。

    Feb, 2020

  • LaneNet：自动驾驶实时车道检测网络

    本文提出了一种基于深度学习的车道检测方法，名为 LaneNet，其将车道检测分为车道边界提议和车道线定位两个步骤，以检测车道线为目标，具有较高的运行速度和低计算成本，得到了出色的表现.

    Jul, 2018

  • 级联卷积神经网络实现车道检测和分类

    本文提出了一种基于卷积神经网络 (CNNs) 的端到端系统，用于实时的车道边界识别、聚类和分类，使用了 TuSimple 数据集中 14336 个车道边界实例，并利用 8 个不同的类进行了标记。

    Jul, 2019

  • ENet-21：用于车道检测的优化轻型卷积神经网络结构

    使用深度学习和卷积神经网络技术，通过二元分割和亲和力场相结合的方法，实现自动驾驶车辆的车道检测，能有效应对车道数量变化和车道变换情况。

    Mar, 2024

  • LaneCorrect: 自监督车道检测

    本文提出了一种无监督的 3D 车道分割方法，通过利用激光雷达点云帧上车道的独特强度，在 2D 平面上投影 3D 点来获取嘈杂的车道标签；同时，利用自监督的预训练模型，矫正车道标签并训练学生网络实现任意目标车道（例如，TuSimple）的无人工标签检测，通过对 TuSimple、CULane、CurveLanes 和 LLAMAS 等四个主要车道检测基准进行评估，证明了优于现有监督方法的卓越性能，并且在减小领域差异方面具有更好的效果，即在 CULane 上训练，TuSimple 上测试。

    Apr, 2024

  • 基于可微分最小二乘拟合的端到端车道检测

    本文提出了一种利用端到端的方式，通过直接回归车道线参数来训练车道检测器，利用堆叠的深度网络生成的每个车道线的分割权重图与可微的最小二乘拟合模块来进行训练，并且通过观察到拟合算法可以反向传播，实现了端到端的训练方法，从而避免了引入流程中的不确定性。

    Feb, 2019

  • 超快速结构感知深度车道检测

    提出了一种基于全局特征和行选择的非常快速的车道检测新方法，在两个测试数据集上取得了最先进水平的准确性和速度，甚至可以实现 300 帧以上每秒，比之前最先进方法至少快 4 倍。

    Apr, 2020