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
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
该论文提出了一个名为 VPGNet 的多任务神经网络模型,可以同时处理车道和路标检测和识别,在恶劣的天气条件下实现高效准确的检测,通过在消失点上的指引,能够在雨天、低照度和夜间等情况下成功地应对色彩畸变、光照反射等多种问题。
Oct, 2017
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
该研究通过比较和评估现有车位检测算法和视觉转换器,提出了一种新的基于 EfficientNet 体系结构的管道,以增加现有系统的泛化能力和适应特定的视觉条件,从而提高停车场占用检测的效果。
Jun, 2023
基于神经网络,通过一次性检测的方法,研究在自动驾驶中以图像为基础的 1D 结构检测,如车道边界。提出了一种基于中点和锚点定义的车道边界表示方法,能够检测车道中心线、车道边界以及高速公路和城市区域中的标志,实现了多功能检测和分类。
Feb, 2024
建了一个大规模的用于车道检测的航拍图像数据集,并开发了一种基于深度学习的航拍图像车道检测方法,通过两个阶段实现精细级车道线提取和拓扑结构的识别。
Dec, 2023
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
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
采用基于 Top View 的方法,通过选择性定向高斯滤波来筛选,利用 RANSAC 线段拟合提供初始化,然后使用 Bezier 样条快速 RANSAC 算法进行拟合,再通过后处理提取城市道路中所有车道线信息,成功率达到同类方法的可比水平,帧率达到 50 Hz。
Nov, 2014