Oct, 2020

RONELD: 主动车道检测的鲁棒神经网络输出增强

PDF
TL;DR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。
accurate lane detectionautonomous vehiclesneural networkdeep learningreal-time enhancement
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 利用深度学习技术实现高效道路车道标线检测

    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

  • 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

  • 自动驾驶车道检测的实时全无监督域自适应

    介绍了一种轻量、全自动、实时适应的方法，该方法只需要调整神经网络模型的批量归一化参数，能够在 Nvidia Jetson Orin 上以 30 帧每秒的速度实现推断和设备内适应，表现与半监督适应算法相似。

    Jun, 2023

  • 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

  • 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