FOLOLane 是一种基于本地模式建模实现自底向上预测全局结构的新型车道标线检测解决方案，通过两个分别预测车道关键点存在及位置的卷积神经网络模型来进行低复杂度本地模式建模，在同时实现实时处理的基础上，充分利用了有限的特征视野和局部车道标线有限的几何变化，融合了本地信息，并在公开数据集上取得了最优结果。

May, 2021

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

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

3D-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。

Nov, 2020

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

本文提出了一种新颖的 LanePtrNet 方法，将车道检测视为有序集上的点投票和分组过程，通过将骨干特征作为输入并预测曲线感知的中心性来表示每条车道并分配最可能的中心点。通过利用局部邻域的特征和跨实例注意力得分，我们设计了一个分组模块，进一步在相邻和播种点之间执行车道聚类。我们的方法还可以作为背骨的替代方案，从而轻松扩展到 3D 车道检测任务。通过进行综合实验，验证了我们提出的方法的有效性，并展示了其卓越的性能。

Mar, 2024

本文提出一种名为 Point Instance Network（PINet）的交通线检测方法，该方法采用了关键点估计和实例分割方法，使得训练的模型大小可以根据目标环境的计算能力进行选择，以适应不同数量的交通线。在 TuSimple 和 Culane 公共数据集上，该方法具有竞争力的准确性和误报率。

Feb, 2020

通过利用关键点和建议方法的优点，本论文提出了一种 “快速而有效” 的车道检测器 “SRLane”，利用‘Sketch-and-Refine’模式，可以以高达 278FPS 的速度运行，并获得 78.9％的 F1 得分。

Jan, 2024