Aug, 2023
ADNet: 通过锚点分解进行车道形状预测
ADNet: Lane Shape Prediction via Anchor Decomposition
TL;DR本文中，我们重新审视了基于锚点的车道检测方法的局限性，这些方法主要关注来自图像边缘的固定锚点，忽视了锚点的灵活性和质量。为了克服锚点的不灵活性，我们将其分解成起始点的热图和与之相关的方向。此分解消除了锚点起始点的限制，使得我们的算法能够适应不同数据集中的不同车道类型。为了提高锚点的质量，我们引入了Feature Pyramid Network (FPN)的Large Kernel Attention (LKA)。这显著增加了感受野，对于捕捉足够的上下文是至关重要的，因为车道线通常贯穿整个图像。我们将我们提出的系统命名为Anchor Decomposition Network (ADNet)。此外，我们提出了General Lane IoU (GLIoU)损失，该损失显著改善了ADNet在复杂场景中的性能。对VIL-100、CULane和TuSimple这三个广泛使用的车道检测基准进行的实验结果表明，我们的方法在VIL-100上优于现有方法，并在CULane和TuSimple上表现出竞争力。代码和模型将在此URL https Sephirex-X/ADNet 上发布。