May, 2023

CLRerNet：使用 LaneIoU 提高车道检测的置信度

PDF
TL;DR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%。
lane marker detectionautonomous drivingdriver assistance systemsdeep learningclrernet
发现论文，激发创造
  • CLRNet：用于车道检测的交叉层细化网络

    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。

    Mar, 2022

  • 获取定位置信度以实现准确目标检测

    本文提出了一种 CNN 方法，名为 IoU-Net，以预测物体检测边界框的 IoU 值，使得模型具有定位置信度，进而提高非极大值抑制算法（NMS）的精度，在 MS-COCO 数据集上实验表明 IoU-Net 方法适用于多种先进的物体检测器且有效。

    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

  • 3D IoU-Net: 基于 IoU 的点云三维物体检测器

    提出了一种在 3D 物体检测中通过 IoU 预测来解决 NMS 中准确性问题的方法，使用了 3D IoU-Net 进行特征学习和准确性预测，并通过 Corner Geometry Encoding 和 Attentive Corner Aggregation 模块提取几何信息并实现对预测角度的不变性，实验结果表明，该方法在 KITTI car detection benchmark 上达到了最先进水平。

    Apr, 2020

  • 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

  • Focaler-IoU：更聚焦的交并比损失函数

    通过分析难易样本分布对回归结果的影响，提出了 Focaler-IoU 方法，可以通过关注不同的回归样本，在不同的检测任务中提高检测器的性能。

    Jan, 2024

  • Cascade R-CNN：深入探索高质量目标检测

    本文提出一种多阶段目标检测架构，Cascade R-CNN，通过一系列的检测器训练，逐步提高在增加交并比（IoU）阈值下对近似假阳性的选择性，从而减少过拟合问题，并在推理时提供更接近每个阶段检测器质量的假设匹配，实现在 COCO 数据集上比所有单模型目标检测器表现更好。

    Dec, 2017

  • 直接优化 IoU 以进行边界框定位

    本文提出了一种新的损失函数 ——Smooth IoU，用于直接优化边界框的交并比，在多个数据集上显示出比标准的 Huber 损失更好的性能表现，该方法可应用于物体检测问题，使用卷积神经网络进行训练。

    Apr, 2023

  • 提高几何要素在对象检测和实例分割的模型学习和推理中的作用

    本文提出了 CIoU loss 和 Cluster-NMS 以增强两个重要任务中的几何因素，进而提高了对象检测和实例分割的平均精度和平均召回，实验表明该方法在各种模型中均有效。

    May, 2020

  • 跨 IOU 损失的位置敏感视觉识别

    LSNet 是一个深度神经网络，能够根据感兴趣目标的锚点和标志点确定目标的形状，其采用新型的损失函数进行优化，可在提高准确率的同时具有更好的融合信息的性能。实验证明，LSNet 能够在定位敏感型的视觉识别任务中创造最新的准确率记录，成为新一代无锚点目标检测和实例分割的领跑者，并能够有效检测多尺度的人体姿态。

    Apr, 2021