介绍了一种基于深度学习方法的端到端车道检测和分类系统，旨在解决在极端光照条件、看不清车道标记和车道标记稀疏等具有挑战性场景下的车道检测问题，并通过深度学习模型的微调和 CNN-based 分类分支的介入来实现车道类型的识别。该系统在 TuSimple dataset、Caltech lane dataset 和自己精心筛选的 LVLane dataset 上进行了实验验证，取得了优秀的检测和分类结果。

Jul, 2023

提出了一种结合 LiDAR 和相机传感器的深度神经网络，可以在 3D 空间中直接估计车道边界，在高速公路和城市道路等复杂情境下取得了很高准确度，解决了自动驾驶中车道检测精度不足的问题。

May, 2019

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

本论文提出了一种利用卷积神经网络模块和循环神经网络模块相结合的深度神经网络架构，以处理在单一图像中无法精确检测车道的情况，并将连续多个时间序列的 CNN 特征输入到 RNN 训练模型中，以成功预测车道。

Mar, 2019

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

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

本研究提出了多层领域自适应（MLDA）框架，通过在像素、实例和类别三个补充的语义级别上处理交叉领域车道检测，以识别车道形状和位置先验知识，提出了一种新的视角来解决车道检测领域差异带来的挑战， 针对现有方法只关注像素级损失而忽略车道形状和位置先验知识的不足， 在两个挑战性数据集 TuSimple 和 CULane 中，我们的方法相对于现有领域自适应算法，在准确性和 F1 分数方面分别提高了 8.8％和 7.4％。

Jun, 2022

本文提出了一种新型的卷积模型用于车道检测，并采用特定训练方法，使其能够适应各种天气和照明环境，达到和竞争对手相当的检测准确度，并以 90 FPS 的速度运行。

May, 2019

FOLOLane 是一种基于本地模式建模实现自底向上预测全局结构的新型车道标线检测解决方案，通过两个分别预测车道关键点存在及位置的卷积神经网络模型来进行低复杂度本地模式建模，在同时实现实时处理的基础上，充分利用了有限的特征视野和局部车道标线有限的几何变化，融合了本地信息，并在公开数据集上取得了最优结果。

May, 2021

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