Sep, 2019

使用谷歌街景和 CNN 进行车道检测的动态方法

PDF
TL;DR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。
发现论文，激发创造
  • LaneSegNet 设计研究

    为了提高计算机视觉算法在实时场景中对道路特征的准确评估能力，本研究探索了 LaneSegNet 架构，该方法将拓扑信息与车道线数据集成，以提供更多上下文理解道路环境的能力。通过修改特征提取器和变换器编码器 - 解码器堆栈，我们发现在训练时间和预测精度之间可以得到有趣的权衡，某些组合显示出有希望的结果。这项研究为根据可用计算资源优化 LaneSegNet 提供了宝贵的见解，使之对资源有限的用户更具可行性，并增强了对资源更丰富的用户的能力。

    Jun, 2024

  • 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

  • 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

  • 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

  • TEDNet: 双编码 - 解码神经网络用于 2D 摄像头和 LiDAR 道路检测

    基于深度学习的卷积神经网络模型提出了一种准确估计道路表面的方法，并通过双编码器 - 解码器神经网络 (TEDNet) 分别提取摄像机和 LiDAR 数据特征，使用鸟瞰图像投影进行语义分割。该方法在道路表面感知领域表现优良，在实时应用中与摄像机和 LiDAR 保持相同帧率。

    May, 2024

  • LaneSegNet: 自动驾驶车辆的车道段感知地图学习

    通过引入 LaneSegNet 方法，通过生成车道段来获得道路结构的完整表示，该方法能够在三项任务中显著提高性能，包括地图元素检测（+4.8 mAP），中心线感知（+6.9 DET_l）以及车道段感知（+5.6 mAP）。

    Dec, 2023

  • 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

  • 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

  • 基于单个 CNN 的增强型多车道道路空地检测和场景识别

    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。

    May, 2019

  • RONELD: 主动车道检测的鲁棒神经网络输出增强

    本文介绍了一种实时的、鲁棒的神经网络输出增强方法 (RONELD)，用于从深度学习的概率地图输出中识别、跟踪和优化行驶中的车道，并在跨数据集验证测试中展示出多达两倍的精度提升。

    Oct, 2020