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