ICCVAug, 2023

递归视频车道检测

PDF
TL;DR提出了一种递归视频车道检测器（RVLD）的新算法，该算法将当前帧的状态递归地传播到下一帧，利用内部帧车道检测器（ILD）和预测车道检测器（PLD）来检测视频中的道路车道，并通过估计运动场并将先前的输出扭曲到当前帧来提高当前帧的车道检测准确性。实验结果表明，RVLD 在视频车道数据集上的表现优于现有的检测器。
algorithmroad lanesvideorecursive video lane detectorlane detection
发现论文，激发创造
  • RCLane: 转发链关联预测用于车道检测

    本文提出一种基于中继链路预测的车道检测新方法，通过预测前向和反向分支的传输图和距离图，以逐步预测中继站（下一个点）的方向和步数，从而能够捕获车道上的关键点。该方法在 TuSimple，CULane，CurveLanes 和 LLAMAS 这四个主要基准测试中取得了新的最佳效果。

    Jul, 2022

  • 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

  • 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

  • VIL-100: 视频实例车道检测新数据集与基础模型

    本研究收集了 100 个样本，通过对收录的视频进行筛选得到了 10000 个视频中的标注，提出了名为 MMA-Net 的新基线模型，通过集成多个逐帧预测，并通过注意聚合得到的局部和全局特征来增强当前预测。实验表明，MMA-Net 可以优于现有的车道检测和视频对象分割方法。

    Aug, 2021

  • 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

  • BEV-LaneDet: 一种简单有效的 3D 车道线检测基线模型

    本文提出了一种高效坚韧的单目三维车道检测方法 BEV-LaneDet， 通过引入虚拟相机、关键点表示方法和空间变换金字塔模块，能够更好地处理多样的三维车道结构，并在检测准确率上表现出色。

    Oct, 2022

  • DV-3DLane：基于双视角表示的端到端多模态三维车道检测

    提出了一种新颖的端到端双视多模态三维车道检测框架 DV-3DLane，通过协同利用图像和激光雷达点的优势，在双视图空间中学习多模态特征并利用它们生成车道检测查询，实现准确的三维车道检测。在公开基准 OpenLane 上进行的广泛实验表明，DV-3DLane 具有高效性能，F1 得分提高了 11.2%，错误率大幅减少了 53.5%。

    Jun, 2024

  • 面向道路检测的渐进式 LiDAR 自适应技术

    本文提出 Progressive LiDAR Adaptation-aided Road Detection (PLARD) 方法，通过数据空间适应和特征空间适应两个子模块，将 LiDAR 信息与视觉图像信息融合，显著提高道路监测的性能，在 KITTI 路面检测数据集上性能媲美甚至超过其他先进的道路监测模型。

    Apr, 2019

  • 速度与准确性并重：走向快速且准确的车道检测

    通过利用关键点和建议方法的优点，本论文提出了一种 “快速而有效” 的车道检测器 “SRLane”，利用‘Sketch-and-Refine’模式，可以以高达 278FPS 的速度运行，并获得 78.9％的 F1 得分。

    Jan, 2024