通过引入 “列车自我路径检测” 任务，本论文为智能车载视觉系统设计了一种精确的铁路轨道检测方法，并通过添加自我路径注释扩展了 RailSem19 数据集。TEP-Net 是一种端到端的深度学习框架，具备可配置的模型架构、动态数据增强策略和领域特定的损失函数，通过回归方法解决了轨道检测问题，并在测试集上实现了 97.5% 的 IoU，同时比现有方法更快。进一步的比较分析突显了 TEP-Net 背后的概念选择的相关性，表明其在不同的环境条件和运行动态下具有鲁棒性。本研究为智能驾驶辅助系统和自动列车运行的发展开辟了有前景的途径，为实现更安全、高效的铁路运输铺平了道路。

Mar, 2024

提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

Apr, 2020

该研究纸提出了一个超快的自适应轨道检测网络，旨在解决现有模型在速度和准确性方面的限制。通过使用水平坐标定位器和透视识别器两个专用分支，该网络能够针对不同镜头角度的轨道比例进行快速检测，具有较高的准确性和速度。

May, 2024

我们提出了一种边缘设备启用的实时铁路轨道分段算法，通过优化网络结构和在训练之后对模型进行量化，从而在边缘应用中实现适用性优化。实验结果表明，当输入尺寸为 480x480 时，我们改进的算法在达到 83.3% 的准确率的同时，实现了每秒 25 帧的实时推断速率，从而有效满足了实时和高效率操作的要求。

Jan, 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

提出了一个包括四个子任务的任务，包括交通要素检测、车道中心线检测、车道之间的关系推理以及车道和交通要素之间的关系推理，提出了一个端到端框架，名为 Separated RoadTopoFormer，可以检测出车道中心线和交通要素，并实现它们之间的推理关系，其中采用了 DETR-like 的体系结构来检测对象

Jul, 2023

使用深度学习和光学字符识别技术，本研究提出了一种通用系统，可以从给定的输入图像中数字化相关的地图组件数据，并创建一个格式化的文本文件。使用 Faster-RCNN 目标检测模型可以获得最高的平均精度和最高的 F1 分数值，分别为 0.68 和 0.76。通过实验结果证明，在将包含文本的图像发送到复杂的预处理流水线中去除畸变时，可以通过 OCR 来改进结果。

May, 2024

本研究提出了一个包括铁路数据库和轨道行排列方法的高效铁路检测算法，通过基于行排列的选择方法，使用轻量卷积神经网络和锚定分类器实现，经实验表明，这种方式比传统方法高效且准确。

Apr, 2023

通过采用基于卷积神经网络（CNN）的决策函数来引导迭代搜索过程，RoadTracer 可以从高分辨率航空图像中自动构建道路网络图，并在误差率为 5％时，相较于分割方法，可以准确地捕捉到多达 45％更多的交叉点。

Feb, 2018

我们提出了 PnPNet，这是一种针对自动驾驶车辆中的联合感知和运动预测问题的端到端模型，通过在线生成物体轨迹并利用轨迹级特征进行运动预测，PnPNet 在两个大规模驾驶数据集上得到了验证，并显示了比现有技术更好的遮挡恢复和更准确的未来预测。

May, 2020