Apr, 2020

PolyLaneNet: 基于深度多项式回归的车道估计

PDF
TL;DR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。
autonomous drivingdeep learninglane detectionpolynomial regressionreal-time
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 自编码器掩码序列自预训练与自定义 PolyLoss 微调实现鲁棒车道检测

    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

  • 基于可微分最小二乘拟合的端到端车道检测

    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。

    Feb, 2019

  • 深度学习在复杂条件下车道检测和分类中的应用 ——LVLane

    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

  • SwiftLane: 快速高效车道检测

    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

  • 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

  • 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