Mar, 2022

具有多功能膨胀变换器和本地语义指导的车道检测

PDF
TL;DR提出了一种名为 Atrous Transformer 的神经网络架构来进行车道检测，该网络采用局部 Atrous Former 增强特征提取器，然后通过行列顺序收集信息以提高信息提取能力，此外还提出了一种局部语义引导解码器来更准确地描绘车道的身份和形状，并使用三个基准测试数据集对其进行了评估，结果表明该网络表现优越。
lane detectionautonomous drivingseq2seq transformeratrous transformerlocal semantic guided decoder
发现论文，激发创造
  • Laneformer: 面向车道检测的对象感知行列变换器

    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

  • CurveFormer++：基于曲线传播的 3D 车道检测，带有时间曲线查询和注意力机制

    CurveFormer++ 是一种基于 Transformer 的单阶段方法，不需要图像特征视图转换模块，直接从透视图像特征中推断出三维车道检测结果。

    Feb, 2024

  • 稀疏 Laneformer

    基于稀疏锚点机制的基于 Transformer 的车道检测框架 Sparse Laneformer，在 CULane 上使用相同的 ResNet-34 主干网络，在更少的 MACs 条件下，优于 Laneformer 和 O2SFormer 0.7% 的 F1 得分和 3.0% 的 F1 得分。

    Apr, 2024

  • LaneSegNet 设计研究

    为了提高计算机视觉算法在实时场景中对道路特征的准确评估能力，本研究探索了 LaneSegNet 架构，该方法将拓扑信息与车道线数据集成，以提供更多上下文理解道路环境的能力。通过修改特征提取器和变换器编码器 - 解码器堆栈，我们发现在训练时间和预测精度之间可以得到有趣的权衡，某些组合显示出有希望的结果。这项研究为根据可用计算资源优化 LaneSegNet 提供了宝贵的见解，使之对资源有限的用户更具可行性，并增强了对资源更丰富的用户的能力。

    Jun, 2024

  • 基于 Transformer 的端到端车道形状预测

    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

  • PersFormer：基于透视变换和 OpenLane 基准的 3D 车道检测

    PersFormer 是一种新型的端到端基于 Transformer 的单目 3D 车道检测器，该模型通过参考相机参数生成前视局部区域的鸟瞰图特征向量，并采用统一的 2D/3D 车道锚设计和辅助任务来同时检测 2D/3D 车道线，同时释放了针对车道检测以及其他工业相关的自动驾驶方法的大型真实世界 3D 车道数据集 OpenLane，该数据集包含 200,000 帧、880,000 个实例级车道、14 个车道类别以及场景标签和封闭路径对象注释，证明 PersFormer 在 3D 车道检测任务上明显优于竞争基线，并且在 OpenLane 的 2D 任务中与现有技术水平相当。

    Mar, 2022

  • 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

  • 结构引导的车道线检测

    本文提出了一个基于深度学习和结构引导的车道检测框架，采用实例分割表示车道，使用自上而下的消失点引导机制，并引入多层结构约束，在公开基准数据集上表现优于现有方法。

    May, 2021

  • 自动驾驶车辆的多模态概率轨迹预测与车道关注

    本文提出一种基于实例感知的车道表示法和目标導向车道注意力模型，结合车道特征和车辆轨迹特征进行车辆位置预测，并在 NeurIPS 2019 的 Argoverse 运动预测竞赛中获得第三名，实验证明了模型的有效性。

    Jul, 2020

  • LATR：基于 Transformer 的单目图像三维车道检测

    我们提出了一种新颖的 LATR 模型，这是一种基于前视 3D 感知特征的端到端三维车道检测器，通过使用查询和键值对的交叉注意力来检测三维车道，并通过使用车道感知查询生成器和动态三维地面位置嵌入来构建。该模型在合成 Apollo 和真实的 OpenLane 上优于以前的最新方法，F1 得分上的提升幅度大约为 11.4。

    Aug, 2023