May, 2019

基于单个 CNN 的增强型多车道道路空地检测和场景识别

PDF
TL;DR该论文提出了一个使用单一的 CNN 来估计车道内的免费空间的新方法，通过训练多任务的 CNN 以及进一步的网络输出和多边形提取，实现了车道内免费空间以及道路类型的识别并给出了基于 ROS 的计算实现方法。
autonomous vehicleslane detectioncnnsmulti-taskros
发现论文，激发创造
  • 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

  • 深度多传感器车道检测

    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

  • 使用自监督和在线训练的全卷积网络进行自由空间检测

    本文研究了基于视觉的高级驾驶辅助系统中的自由空间检测，提出采用完全卷积网络进行自我监督训练，以降低对大型手动注释训练集的需求。通过使用立体视觉视差系统自动生成 FCN（Fully Convolutional Network）的（弱）训练标签，使得应用 FCN 能够适应任何车辆遇到的交通场景。在线训练 FCN 的结果表明，相比于离线训练，Fmax 和 AP 的性能提升了 5%。

    Apr, 2016

  • 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

  • 使用深度神经网络从连续驾驶场景中进行鲁棒车道检测

    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

  • 使用谷歌街景和 CNN 进行车道检测的动态方法

    本文提出了一种基于卷积神经网络和 SegNet encoder-decoder 架构的新型车道检测方法，并通过与 Google API 的接口实现了实时导航，该方法针对挑战性遮挡条件具有鲁棒性，且性能优于现有方法。

    Sep, 2019

  • SNE-RoadSeg: 将地表法向信息纳入语义分割以提高精确的自由空间检测

    本文介绍了一种能够从深度图像中准确高效地推断表面法线信息的新型模块，以及一个能够同时提取并融合 RGB 图像和推理表面法线信息的数据融合卷积神经网络（CNN），并使用一个全新的数据集，该数据集包含在不同照明和天气条件下收集的大规模合成自由空间检测数据，证明了我们提出的算法能够在不同的数据集中取得最佳的性能表现。

    Aug, 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

  • 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

  • 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