Nov, 2020

3D-LaneNet+: 基于半局部表示的无锚点车道检测

PDF
TL;DR3D-LaneNet + 是一种无锚点的相机 DNN 方法，用于检测不受支持的车道拓扑结构，如分叉、合并等，并使用特征嵌入实现车道实例的学习和全局连接，避免了使用车道锚点、非最大值抑制和车道模型拟合等。
3d-lanenet+anchor free3d lane detectionlane topologiesfeature embedding
发现论文，激发创造
  • 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

  • Gen-LaneNet: 一种通用且可扩展的三维车道线检测方法

    介绍了一种基于 Gen-LaneNet 的 3D 车道检测方法，包括图像编码、特征空间变换、3D 车道预测、新的几何引导车道锚定表示法和可扩展的两阶段框架，同时推出了一个新的合成数据集。实验表明，该方法在平均精度（AP）和 F 分数方面明显优于 3D-LaneNet。

    Mar, 2020

  • 半局部三维车道检测及不确定性估计

    本文提出基于相机的 DNN 三维车道检测新方法，采用 BEV 矩形划分道路，结合深度特征嵌入建立车道段的参数模型和聚类方法实现道路的检测，尤其针对复杂的车道几何结构和曲率，同时输出一个基于学习的检测不确定性评估，实验证明效果显著。

    Mar, 2020

  • Anchor3DLane: 学习回归 3D 锚点以实现单目 3D 车道检测

    本文提出一种名为 Anchor3DLane 的去除 bird-eye view 的单目 3D 车道检测方法，通过在三维空间定义 3D 车道锚点并将其投影到前视图特征上提取特征，并采用全局优化方法，大幅度提升了车道检测的精度。

    Jan, 2023

  • ONCE-3DLanes：基于单目图像的三维车道线检测建模

    本文介绍了 ONCE-3DLanes 数据集，其中包含 211K 实际道路场景的 3D 车道标注，提出了自动生成高质量 3D 车道位置的数据集注释流程，同时提供了一种新的无锚点，无外部参考的方法 SALAD 来回归图像视图中的车道 3D 坐标。此外，还提供了一个新的评估度量标准，旨在促进 3D 车道检测领域的未来研究。

    Apr, 2022

  • WS-3D-Lane: 带有 2D 车道标签的弱监督 3D 车道检测

    本文提出了一种新型的弱监督三维车道检测方法 WS-3D-Lane，该方法通过假设相邻车道的车道宽度和高度相等，间接监督三维车道高度训练，并利用相机仰角自我校准方法解决了数据采集过程中相机仰角变化的问题。实验表明，在弱监督和纯监督设置下，WS - 3D - Lane 的效果均优于现有的三维车道检测方法，并且是首次尝试在弱监督模式下进行三维车道检测。

    Sep, 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

  • 基于关键点的车道检测全局关联网络

    本研究提出了一个基于全局关联网络（Global Association Network）以及车道感知特征聚合器（Lane-aware Feature Aggregator）的方法来解决车道检测问题，并在两个公共数据集上进行的实验表明，相较于之前的方法，本方法的 F1 分数分别为 79.63％和 97.71％。

    Apr, 2022

  • ADNet: 通过锚点分解进行车道形状预测

    本文中，我们重新审视了基于锚点的车道检测方法的局限性，这些方法主要关注来自图像边缘的固定锚点，忽视了锚点的灵活性和质量。为了克服锚点的不灵活性，我们将其分解成起始点的热图和与之相关的方向。此分解消除了锚点起始点的限制，使得我们的算法能够适应不同数据集中的不同车道类型。为了提高锚点的质量，我们引入了 Feature Pyramid Network (FPN) 的 Large Kernel Attention (LKA)。这显著增加了感受野，对于捕捉足够的上下文是至关重要的，因为车道线通常贯穿整个图像。我们将我们提出的系统命名为 Anchor Decomposition Network (ADNet)。此外，我们提出了 General Lane IoU (GLIoU) 损失，该损失显著改善了 ADNet 在复杂场景中的性能。对 VIL-100、CULane 和 TuSimple 这三个广泛使用的车道检测基准进行的实验结果表明，我们的方法在 VIL-100 上优于现有方法，并在 CULane 和 TuSimple 上表现出竞争力。代码和模型将在此 URL https Sephirex-X/ADNet 上发布。

    Aug, 2023

  • 保持注意力在车道上：实时引导车道检测

    本文提出了一种基于锚点的深度车道线检测模型 LaneATT，通过引入注意力机制和全局信息聚合，解决扩展到自动驾驶的场景的实时性问题，并在多个公开数据集上验证了其效果优于现有的方法。

    Oct, 2020