该研究提出了一个四阶段的流程，在自主预训练和深度学习技术的基础上改善了车道渲染图像异常检测的准确性和效率，证实了该流程在数字导航系统中的优越性。

Dec, 2023

本文提出了一种新型的卷积模型用于车道检测，并采用特定训练方法，使其能够适应各种天气和照明环境，达到和竞争对手相当的检测准确度，并以 90 FPS 的速度运行。

May, 2019

本研究提出了一种使用前向摄像头图像输入并且通过深度多项式回归输出表示每个车道标记的多项式的车道检测新方法，该方法在保持效率的同时，能够在 TuSimple 数据集上竞争现有最先进方法，并在两个其他公共数据集上呈现广泛的定性结果和方法局限性。

Apr, 2020

本文提出了一种基于自动生成的合成数据和未标记或部分标记的目标域数据学习的自动驾驶准确车道检测方法，采用了基于自编码器的方法处理合成和真实数据，同时探索了领域自适应方法和半监督学习，经过实验验证，该方法几乎能够在仅有 10％标注数据的情况下实现全监督的准确率。

Jul, 2020

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

本文介绍一个名为扩展自注意力 (ESA) 模块的简单却强大的自注意力机制，在车道检测中取得了最先进的结果，并通过在三个流行的车道检测基准测试上的实验结果表明了该方法的鲁棒性。

Feb, 2021

本文提出基于自监督学习（SSL）的预训练策略，针对医学图像的非典型性，开发了一种基于 Transformer 的纵向遮蔽自编码器 (MAE)，研究了时间感知的位置嵌入和疾病进展感知的遮蔽策略，通过评估在糖尿病视网膜病变（DR）筛查数据集上的预训练权重，证明了这些扩展显著提高深度分类模型的预测能力。

Mar, 2024

本文提出了一种使用 transformer 网络进行车道检测的端到端方法，使用自我注意机制来捕捉细长结构和全局上下文，并在 TuSimple 基准测试中展示了最新的准确性，适应性和实际应用的强大部署潜力。

Nov, 2020

本文提出了一种无监督的 3D 车道分割方法，通过利用激光雷达点云帧上车道的独特强度，在 2D 平面上投影 3D 点来获取嘈杂的车道标签；同时，利用自监督的预训练模型，矫正车道标签并训练学生网络实现任意目标车道（例如，TuSimple）的无人工标签检测，通过对 TuSimple、CULane、CurveLanes 和 LLAMAS 等四个主要车道检测基准进行评估，证明了优于现有监督方法的卓越性能，并且在减小领域差异方面具有更好的效果，即在 CULane 上训练，TuSimple 上测试。

Apr, 2024

通过序列生成任务，提出了一个新的车道检测框架 Lane2Seq，它能够统一各种车道检测格式，并使用简单的交叉熵损失函数，同时还引入增强学习来提高模型的性能。实验结果显示，该简单的序列生成范式不仅能够统一车道检测，还在两个基准数据集上取得了竞争性能，分别获得了 Tusimple 数据集和 LLAMAS 数据集的 97.95％和 97.42％F1 得分，成为两个基准测试的最新成果。

Feb, 2024