Jul, 2023

深度学习在复杂条件下车道检测和分类中的应用 ——LVLane

PDF
TL;DR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。
lane detectionautonomous vehiclesdeep learningclassification systemchallenging scenarios
发现论文，激发创造
  • 利用深度学习技术实现高效道路车道标线检测

    本文提出了一种使用深度卷积神经网络进行车道标记检测的算法，采用扩张卷积、精简模型结构等手段提高其低复杂度、高准确性，再采用后处理算法对曲线车道建模，该算法在拍摄到的路况场景下表现优异。

    Sep, 2018

  • 级联卷积神经网络实现车道检测和分类

    本文提出了一种基于卷积神经网络 (CNNs) 的端到端系统，用于实时的车道边界识别、聚类和分类，使用了 TuSimple 数据集中 14336 个车道边界实例，并利用 8 个不同的类进行了标记。

    Jul, 2019

  • ENet-21：用于车道检测的优化轻型卷积神经网络结构

    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

  • 不可知车道检测

    该研究提出了一种基于实例分割和多任务学习的车道检测算法，有效地解决了光照条件、遮挡、车道数量变化等问题，经过三个流行的车道检测基准测试得到了验证。

    May, 2019

  • 深度多传感器车道检测

    提出了一种结合 LiDAR 和相机传感器的深度神经网络，可以在 3D 空间中直接估计车道边界，在高速公路和城市道路等复杂情境下取得了很高准确度，解决了自动驾驶中车道检测精度不足的问题。

    May, 2019

  • 使用深度神经网络从连续驾驶场景中进行鲁棒车道检测

    本论文提出了一种利用卷积神经网络模块和循环神经网络模块相结合的深度神经网络架构，以处理在单一图像中无法精确检测车道的情况，并将连续多个时间序列的 CNN 特征输入到 RNN 训练模型中，以成功预测车道。

    Mar, 2019

  • LaneNet：自动驾驶实时车道检测网络

    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

  • 快速绘制：通过调整顺序预测网络 解决车道检测的长尾问题

    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

  • 高速行驶中深度学习的实证评估

    本文基于大量的实证评估，探讨了近期深度学习技术在高速公路感知场景中的应用，通过使用神经网络对车道和车辆进行检测，同时保证了实时性，证实了深度学习在自动驾驶领域的潜在应用价值。

    Apr, 2015

  • 基于 LiDAR 点云技术的 3D 车道检测研究进展：从数据收集到模型开发

    我们提出了一个大规模的三维车道数据集 LiSV-3DLane，其中包含 2 万帧环视 LiDAR 点云，通过丰富的语义注释，捕捉了城市和高速公路环境中的复杂车道模式。为了解决稀疏的 LiDAR 数据在车道标注中的问题，我们利用车道线的几何特征和 LiDAR 数据的固有空间属性，设计了一个简单而有效的自动标注流程。我们还提出了一种新颖的基于 LiDAR 的三维车道检测模型 LiLaDet，将 LiDAR 点云的空间几何学习融入到基于 Bird's Eye View（BEV）的车道识别中。实验结果表明，LiLaDet 在 K-Lane 数据集和我们的 LiSV-3DLane 上的三维车道检测任务中优于现有的基于摄像头和 LiDAR 的方法。

    Sep, 2023