CANet: 带有自适应解码器的曲线引导线网络用于车道检测
本文提出了一种基于卷积神经网络和 SegNet encoder-decoder 架构的新型车道检测方法,并通过与 Google API 的接口实现了实时导航,该方法针对挑战性遮挡条件具有鲁棒性,且性能优于现有方法。
Sep, 2019
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
该论文提出了一种名为 CurveLane-NAS 的新型车道敏感架构搜索框架,能够捕捉曲线车道并自动搜索架构和后处理,另外还介绍了一个更具挑战性的 benchmark 数据集 CurveLanes,并在其中取得了 80% F1-Score。
Jul, 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
通过新的弹性交互能量引导车道检测网络(ElasticLaneNet)框架,采用隐式表示的新颖灵活方式,以及基于弹性交互能量的损失函数(EIE loss)引导下的训练策略,结合辅助特征细化模块(AFR),该方法在复杂车道场景中表现出色,并在三个数据集上取得了优秀的性能结果,包括结构多样性数据集 SDLane 上的 F1 分数 89.51,召回率 87.50 和精确度 91.61。
Dec, 2023
介绍了一种基于深度学习方法的端到端车道检测和分类系统,旨在解决在极端光照条件、看不清车道标记和车道标记稀疏等具有挑战性场景下的车道检测问题,并通过深度学习模型的微调和 CNN-based 分类分支的介入来实现车道类型的识别。该系统在 TuSimple dataset、Caltech lane dataset 和自己精心筛选的 LVLane dataset 上进行了实验验证,取得了优秀的检测和分类结果。
Jul, 2023
本文提出了一种基于深度学习的车道线检测方法,通过 CondLaneNet 网络结构在实例级别上进行车道线检测,设计了一种 RIM 模块来处理复杂的车道线拓扑结构,并具有较快的实时性,获得了在三个基准数据集上的最新最佳性能。
May, 2021
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
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
本文提出 CANet,一种无类别限制的语义分割网络,可以在只有少量标注图像的情况下用于新类别的分割,网络采用两个分支的密集比较模块进行多层特征比较,并采用迭代优化模块进行预测结果的迭代优化,并引入注意机制来对 k-shot 学习中的多个支持样本信息进行有效融合,实验结果在 PASCAL VOC 2012 数据集上表明,在 1-shot 和 5-shot 分割中取得 55.4%和 57.1%的平均 IoU 分数,分别比现有最佳方法高出 14.6%和 13.2%。
Mar, 2019