Jul, 2023

GroupLane: 基于通道分组的端到端 3D 车道检测

PDF
TL;DR我们提出了一个简单、快速且端到端的检测器，旨在提高三维车道检测的效率，同时保持高的检测精度。我们的方法采用基于行级别分类的全卷积头部，支持识别垂直和水平车道，并首次在鸟瞰图中进行行级别分类。我们将特征分为多组，并且每组特征对应一个车道实例。通过使用单盈余一对一匹配将预测结果与车道标签相关联来计算损失，在推理过程中不需要后处理操作。我们的全卷积检测器 ConvNext-Base 作为骨干网络，在三个真实世界的三维车道基准 OpenLane、Once-3DLanes 和 OpenLane-Huawei 上进行评估，在 OpenLane 验证集中，GroupLane 的 F1 得分比最先进的 PersFormer 高出 13.6%，而使用 ResNet18 的 GroupLane 的 F1 得分仍然高于 PersFormer 4.9%，同时推理速度快近 7 倍，而 FLOPs 仅为其 13.3%。
efficiency3d lane detectionend-to-end detectorrow-wise classificationconvnext-base
发现论文，激发创造
  • 3D-LaneNet: 端到端 3D 多车道检测

    该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局，并展示了在合成和真实数据集上的表现，其对车道合并和拆分等复杂情况的处理也更加明确，较以往方法有竞争力。

    Nov, 2018

  • 超快速结构感知深度车道检测

    提出了一种基于全局特征和行选择的非常快速的车道检测新方法，在两个测试数据集上取得了最先进水平的准确性和速度，甚至可以实现 300 帧以上每秒，比之前最先进方法至少快 4 倍。

    Apr, 2020

  • 通过逐行分类实现端到端车道标线检测

    本文提出了一种端到端的车道标线检测方法，利用分类任务代替传统的像素级密集预测任务，并使用一种新颖的层来压缩水平分量，通过简单的测试时间操作实现车道标线位置的直接预测，实验结果证明该方法在 TuSimple 和 CULane 数据集上具有与或优于现有技术。

    May, 2020

  • Gen-LaneNet: 一种通用且可扩展的三维车道线检测方法

    介绍了一种基于 Gen-LaneNet 的 3D 车道检测方法，包括图像编码、特征空间变换、3D 车道预测、新的几何引导车道锚定表示法和可扩展的两阶段框架，同时推出了一个新的合成数据集。实验表明，该方法在平均精度（AP）和 F 分数方面明显优于 3D-LaneNet。

    Mar, 2020

  • 朝向端到端的车道检测：一种实例分割方法

    本文提出了一种快速的车道检测算法，其将车道检测问题作为实例分割问题来解决，并使用一种基于学习的透视变换对车道进行参数化拟合，以应对车道变化。该方法既可以处理可变数量的车道，又可以处理车道变化，并在 tuSimple 数据集上取得了竞争性的结果。

    Feb, 2018

  • SwiftLane: 快速高效车道检测

    本文提出了 SwiftLane 算法，这是一个采用端到端深度学习框架、基于行分类的轻量级车道检测方法，同时加入假阳性抑制算法和曲线拟合技术，实现了较高的检测准确率和每秒 411 帧的推理速度。此外，在使用 TensorRT 优化后的 Nvidia Jetson AGX Xavier 嵌入式系统上也可以实时检测车道，其推理速度为每秒 56 帧。

    Oct, 2021

  • 使用高效卷积网络进行多类车道语义分割

    本文提出了基于网络特征大小选择和渐进膨胀块对多类车道语义分割问题的解决方法，实验结果表明，该方法在保证推理速度的同时提高了准确性，并可在高分辨率图像上实时运行。

    Jul, 2019

  • 使用谷歌街景和 CNN 进行车道检测的动态方法

    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

  • 3D-LaneNet+: 基于半局部表示的无锚点车道检测

    3D-LaneNet + 是一种无锚点的相机 DNN 方法，用于检测不受支持的车道拓扑结构，如分叉、合并等，并使用特征嵌入实现车道实例的学习和全局连接，避免了使用车道锚点、非最大值抑制和车道模型拟合等。

    Nov, 2020

  • 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