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

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

Laneformer是一种基于transformer的架构，用于自动驾驶视觉感知中长期车道检测，通过自注意力机制实现车道形状和语义特征的有效捕获，实验表明能达到CULane基准的最佳表现。

Mar, 2022

本文提出了一种新的道路车道检测算法，该算法使用基于数据的描述符来探测曲线和直线道路，通过对训练车道进行聚类，使用SIIC-Net开发的锚点检测网络确定道路的最佳车道集。实验结果表明，该算法能够提供很好的结构多样性道路检测性能。

Mar, 2022

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

本文提出了一种深度学习算法 CLRerNet 来进行车道线检测，该算法考虑了本地车道角度，能够更好地相关检测指标，通过交叉验证得出，该算法在 CULane 和 CurveLanes 数据集上 F1 得分分别为 81.43% 和 86.47%，比现有方法分别高出了 0.96% 和 0.37%。

May, 2023

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

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

通过上下文对比和聚合实现了适应领域的车道检测方法(DACCA)，该方法通过使用跨领域对比损失和领域级特征聚合，有效地学习了区分性特征并在不同领域间迁移知识，显著改善了车道检测模型的性能，在六个数据集上优于现有的无监督领域自适应车道检测方法。

Jul, 2024