结构引导的车道线检测
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
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
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
本研究提出了一种新的方法来解决通过利用 2D 到 3D 车道重建过程底层的几何结构来摆脱单目 3D 车道检测问题的方法,并使用结构先验来实现从局部到全局的三维车道重建,通过直接从前视图图像中提取 BEV 车道信息和任务特定的数据增强方法来降低 2D 车道表示中的结构损失,提高广义性;实验证明,该方法在 82 FPS 的实时速度下优于现有方法 3.8%的 F-Score。
Jun, 2022
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
本文提出了一种新的低光图像增强框架,通过同时进行外观和结构建模,引入结构特征来指导外观增强,采用改进的生成模型实现结构建模,提出了结构引导增强模块来改善外观建模,实现了端到端的训练,并在代表性数据集上进行实验,表明我们的模型在所有数据集上均实现了最佳表现。
May, 2023
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
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
本文提出了一种无监督的 3D 车道分割方法,通过利用激光雷达点云帧上车道的独特强度,在 2D 平面上投影 3D 点来获取嘈杂的车道标签;同时,利用自监督的预训练模型,矫正车道标签并训练学生网络实现任意目标车道(例如,TuSimple)的无人工标签检测,通过对 TuSimple、CULane、CurveLanes 和 LLAMAS 等四个主要车道检测基准进行评估,证明了优于现有监督方法的卓越性能,并且在减小领域差异方面具有更好的效果,即在 CULane 上训练,TuSimple 上测试。
Apr, 2024
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