基于可微分最小二乘拟合的端到端车道检测

ICCVFeb, 2019

基于可微分最小二乘拟合的端到端车道检测

End-to-end Lane Detection through Differentiable Least-Squares Fitting

Wouter Van Gansbeke, Bert De Brabandere, Davy Neven, Marc Proesmans, Luc Van Gool

TL;DR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。

Abstract

lane detection is typically tackled with a two-step pipeline in which a segmentation mask of the lane markings is predicted first, and a lane line model (like a parabola or spline) is fitted to the post-processed mask next. The problem with such a two-step approach is that the paramete

lane detection end-to-end deep network least-squares fitting curvature parameters

发现论文，激发创造

基于 Transformer 的端到端车道形状预测

本文提出了一种使用 transformer 网络进行车道检测的端到端方法，使用自我注意机制来捕捉细长结构和全局上下文，并在 TuSimple 基准测试中展示了最新的准确性，适应性和实际应用的强大部署潜力。

Nov, 2020

朝向端到端的车道检测：一种实例分割方法

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。

Feb, 2018

通过曲线建模重新思考高效车道检测

本文提出了一种新的基于参数曲线的车道检测方法，利用 Bézier 曲线及变形卷积特征翻转融合等方法，不仅在 LLAMAS 法案中实现了最新的最佳效果，并且在 TuSimple 和 CULane 数据集上实现了可观的准确性，同时保持了低延迟与小模型尺寸。

Mar, 2022

车道检测中曲线建模与路面回归的解耦

本文提出了一种新的车道检测方法，通过将车道检测任务分解为曲线建模和地面高度回归两个部分，使用参数化曲线在 BEV 空间中表示车道，以反映车道的原始分布，并通过设计新的框架和一系列损失函数统一了 2D 和 3D 车道检测任务，在 2D 车道检测基准数据集 (TuSimple 和 CULane) 以及最近提出的 3D 车道检测数据集 (ONCE-3Dlane 和 OpenLane) 上取得了显著的改进。

Sep, 2023

3D-LaneNet: 端到端 3D 多车道检测

该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局，并展示了在合成和真实数据集上的表现，其对车道合并和拆分等复杂情况的处理也更加明确，较以往方法有竞争力。

Nov, 2018

PolyLaneNet: 基于深度多项式回归的车道估计

本研究提出了一种使用前向摄像头图像输入并且通过深度多项式回归输出表示每个车道标记的多项式的车道检测新方法，该方法在保持效率的同时，能够在 TuSimple 数据集上竞争现有最先进方法，并在两个其他公共数据集上呈现广泛的定性结果和方法局限性。

Apr, 2020

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

快速绘制：通过调整顺序预测网络解决车道检测的长尾问题

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

利用深度学习技术实现高效道路车道标线检测

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

ElasticLaneNet：一种灵活的几何方法进行车道检测

通过新的弹性交互能量引导车道检测网络（ElasticLaneNet）框架，采用隐式表示的新颖灵活方式，以及基于弹性交互能量的损失函数（EIE loss）引导下的训练策略，结合辅助特征细化模块（AFR），该方法在复杂车道场景中表现出色，并在三个数据集上取得了优秀的性能结果，包括结构多样性数据集 SDLane 上的 F1 分数 89.51，召回率 87.50 和精确度 91.61。

Dec, 2023