CVPRMar, 2022

CLRNet：用于车道检测的交叉层细化网络

PDF
TL;DR本文介绍了一种名为 CLRNet 的新的网络结构用于车道检测，通过利用高级语义特征和低级特征来提高检测精度，并使用名为 Line IoU loss 的方法对车道进行整体回归以提高定位准确性。实验结果表明，该方法明显优于现有的车道检测方法。
lane detectioncross layer refinement networksemantic featureslow-level featuresline iou loss
发现论文，激发创造
  • CLRNet：适用于车道检测的跨层细化网络

    本文介绍了 CLRNet: Cross Layer Refinement Network for Lane Detection 的可复现性报告，作者提出了一种新颖的跨层细化网络，利用高层和低层特征进行车道检测，提出的技术在三个车道检测基准上达到了最新的技术水平。

    Oct, 2023

  • CLRerNet：使用 LaneIoU 提高车道检测的置信度

    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

  • CLRKDNet：基于知识蒸馏的车道检测加速方法

    为了解决在自动驾驶应用中的实时车道检测任务中精确度和速度之间的平衡问题，我们介绍了 CLRKDNet，这是一个能够在保持检测精度的同时提供实时性能的简化模型。通过简化模型结构并引入新的蒸馏方法和蒸馏损失函数，我们实现了多达 60% 的推理时间减少以及与 CLRNet 相媲美的检测精度，从而在自动驾驶应用的实时车道检测任务中提供了一种切实可行的解决方案。

    May, 2024

  • 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

  • CLRmatchNet: 借助深度匹配过程增强曲线车道检测

    我们的研究引入了 MatchNet，一个基于深度学习子模块的方法，用于增强标签分配过程，通过将其整合到最先进的车道检测网络 CLRNet 中，我们取代了传统的标签分配过程。这种整合在涉及曲线车道的场景中取得了显著的改进，在 ResNet34，ResNet101 和 DLA34 的所有主干上分别提高了 + 2.8％，+2.3％和 + 2.96％。此外，在其他部分保持或甚至改善了可比的结果，我们的方法提高了车道检测的置信水平，允许提高置信阈值。

    Sep, 2023

  • LRNet: 高分辨率遥感图像的变化检测基于定位优化策略

    本文提出了基于定位再细化策略的新型网络 LRNet，通过定位和细化阶段，使用学习优化池化（LOP）和变换对齐注意力（C2A）等方法，提高了改变区域的定位和边界判别准确性，并在 LEVIR-CD 和 WHU-CD 数据集上取得了最精确的边界判别结果。

    Apr, 2024

  • 基于交叉相似性的车道检测对比学习

    用反映关键性的自监督学习方法 CLLD 增强车道检测模型对导致车道低可见度的真实环境条件的抵御能力，并在光照阻碍等可见度受损的条件下优于最先进的对比学习方法，尤其在阴影等情况下表现出色。

    Aug, 2023

  • RONELD: 主动车道检测的鲁棒神经网络输出增强

    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。

    Oct, 2020

  • PLCNet：高清地图中的自动车道修正的分块车道修正网络

    我们提出了一种基于补丁的车道矫正网络（PLCNet），用于自动校正局部激光雷达图像中初始车道点的位置，从而实现高清地图中的快速有效的车道校正。

    Jan, 2024

  • 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