本研究提出了一个包括铁路数据库和轨道行排列方法的高效铁路检测算法，通过基于行排列的选择方法，使用轻量卷积神经网络和锚定分类器实现，经实验表明，这种方式比传统方法高效且准确。

Apr, 2023

该研究纸提出了一个超快的自适应轨道检测网络，旨在解决现有模型在速度和准确性方面的限制。通过使用水平坐标定位器和透视识别器两个专用分支，该网络能够针对不同镜头角度的轨道比例进行快速检测，具有较高的准确性和速度。

May, 2024

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

提出了一种动态锚点学习方法（DAL），通过全新定义匹配度评估锚点的定位潜力，实现有效标签分配并动态选择高质量锚点以实现准确目标检测，结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。

Dec, 2020

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

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

基于 transformer 模型的 LDTR 提出以整个车道作为锚点，引入多重参考可变形注意力模块和高斯热图辅助分支等方法，用于解决自动驾驶中光照条件和遮挡等挑战性问题，实现了在车道检测领域的最先进性能。

Mar, 2024

本文介绍了一种实时的、鲁棒的神经网络输出增强方法 (RONELD)，用于从深度学习的概率地图输出中识别、跟踪和优化行驶中的车道，并在跨数据集验证测试中展示出多达两倍的精度提升。

Oct, 2020

本文提出了一种基于锚点的深度车道线检测模型 LaneATT，通过引入注意力机制和全局信息聚合，解决扩展到自动驾驶的场景的实时性问题，并在多个公开数据集上验证了其效果优于现有的方法。

Oct, 2020

本研究提出了一个基于全局关联网络（Global Association Network）以及车道感知特征聚合器（Lane-aware Feature Aggregator）的方法来解决车道检测问题，并在两个公共数据集上进行的实验表明，相较于之前的方法，本方法的 F1 分数分别为 79.63％和 97.71％。

Apr, 2022