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

本文提出一种基于中继链路预测的车道检测新方法，通过预测前向和反向分支的传输图和距离图，以逐步预测中继站（下一个点）的方向和步数，从而能够捕获车道上的关键点。该方法在 TuSimple，CULane，CurveLanes 和 LLAMAS 这四个主要基准测试中取得了新的最佳效果。

Jul, 2022

FOLOLane 是一种基于本地模式建模实现自底向上预测全局结构的新型车道标线检测解决方案，通过两个分别预测车道关键点存在及位置的卷积神经网络模型来进行低复杂度本地模式建模，在同时实现实时处理的基础上，充分利用了有限的特征视野和局部车道标线有限的几何变化，融合了本地信息，并在公开数据集上取得了最优结果。

May, 2021

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

采用基于 Top View 的方法，通过选择性定向高斯滤波来筛选，利用 RANSAC 线段拟合提供初始化，然后使用 Bezier 样条快速 RANSAC 算法进行拟合，再通过后处理提取城市道路中所有车道线信息，成功率达到同类方法的可比水平，帧率达到 50 Hz。

Nov, 2014

我们提出了一个简单、快速且端到端的检测器，旨在提高三维车道检测的效率，同时保持高的检测精度。我们的方法采用基于行级别分类的全卷积头部，支持识别垂直和水平车道，并首次在鸟瞰图中进行行级别分类。我们将特征分为多组，并且每组特征对应一个车道实例。通过使用单盈余一对一匹配将预测结果与车道标签相关联来计算损失，在推理过程中不需要后处理操作。我们的全卷积检测器 ConvNext-Base 作为骨干网络，在三个真实世界的三维车道基准 OpenLane、Once-3DLanes 和 OpenLane-Huawei 上进行评估，在 OpenLane 验证集中，GroupLane 的 F1 得分比最先进的 PersFormer 高出 13.6%，而使用 ResNet18 的 GroupLane 的 F1 得分仍然高于 PersFormer 4.9%，同时推理速度快近 7 倍，而 FLOPs 仅为其 13.3%。

Jul, 2023

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

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

该研究提出了一种基于实例分割和多任务学习的车道检测算法，有效地解决了光照条件、遮挡、车道数量变化等问题，经过三个流行的车道检测基准测试得到了验证。

May, 2019