本研究提出利用自我预训练和自定义多连续帧图像的 PolyLoss 微调深度网络模型的方法,使车道检测性能得到进一步提高。得到了 98.38% 的最佳测试精度和 0.937 的最佳精确度,训练时间大大缩短。
May, 2023
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
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
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。
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
通过关注机制和 LSTM 网络,该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系,并将其用于预测,采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好,此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。
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
本文提出了 SwiftLane 算法,这是一个采用端到端深度学习框架、基于行分类的轻量级车道检测方法,同时加入假阳性抑制算法和曲线拟合技术,实现了较高的检测准确率和每秒 411 帧的推理速度。此外,在使用 TensorRT 优化后的 Nvidia Jetson AGX Xavier 嵌入式系统上也可以实时检测车道,其推理速度为每秒 56 帧。
Oct, 2021
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