车道检测中曲线建模与路面回归的解耦

Sep, 2023

车道检测中曲线建模与路面回归的解耦

Decoupling the Curve Modeling and Pavement Regression for Lane Detection

Wencheng Han, Jianbing Shen

TL;DR本文提出了一种新的车道检测方法，通过将车道检测任务分解为曲线建模和地面高度回归两个部分，使用参数化曲线在 BEV 空间中表示车道，以反映车道的原始分布，并通过设计新的框架和一系列损失函数统一了 2D 和 3D 车道检测任务，在 2D 车道检测基准数据集 (TuSimple 和 CULane) 以及最近提出的 3D 车道检测数据集 (ONCE-3Dlane 和 OpenLane) 上取得了显著的改进。

Abstract

The curve-based lane representation is a popular approach in many lane detection methods, as it allows for the representation of lanes as a whole object and maximizes the use of holistic information about the lanes. However, the curves produced by these methods may not fit well with ir

lane detection curve-based ground height regression parameterized curve 2d and 3d lane detection

发现论文，激发创造

通过曲线建模重新思考高效车道检测

本文提出了一种新的基于参数曲线的车道检测方法，利用 Bézier 曲线及变形卷积特征翻转融合等方法，不仅在 LLAMAS 法案中实现了最新的最佳效果，并且在 TuSimple 和 CULane 数据集上实现了可观的准确性，同时保持了低延迟与小模型尺寸。

Mar, 2022

基于几何结构先验的 BEV 重建三维车道检测方法

本研究提出了一种新的方法来解决通过利用 2D 到 3D 车道重建过程底层的几何结构来摆脱单目 3D 车道检测问题的方法，并使用结构先验来实现从局部到全局的三维车道重建，通过直接从前视图图像中提取 BEV 车道信息和任务特定的数据增强方法来降低 2D 车道表示中的结构损失，提高广义性；实验证明，该方法在 82 FPS 的实时速度下优于现有方法 3.8％的 F-Score。

Jun, 2022

CurveFormer++：基于曲线传播的 3D 车道检测，带有时间曲线查询和注意力机制

CurveFormer++ 是一种基于 Transformer 的单阶段方法，不需要图像特征视图转换模块，直接从透视图像特征中推断出三维车道检测结果。

Feb, 2024

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

前视或全景视角下的三维车道检测：联合建模和匹配

本研究提出了一种高效准确的车道建模方法，结合贝塞尔曲线和插值方法，还引入了一种新颖的三维环视车道检测方法，该方法可以精确预测闭环或 U 型车道，并在复杂道路条件下有效适应。此研究在 Openlane 数据集上建立了前视三维车道检测的新基准，并在 Argoverse2 数据集上实现了优异的环视二维车道检测性能。

Jan, 2024

半局部三维车道检测及不确定性估计

本文提出基于相机的 DNN 三维车道检测新方法，采用 BEV 矩形划分道路，结合深度特征嵌入建立车道段的参数模型和聚类方法实现道路的检测，尤其针对复杂的车道几何结构和曲率，同时输出一个基于学习的检测不确定性评估，实验证明效果显著。

Mar, 2020

三维车道检测中用于 BEV 和车道表示同时学习的高效 Transformer

本文提出一种基于分解交叉注意机制的 3D 车道检测模型，通过学习车道特征和鸟瞰视图特征之间的交叉关系，实现了更准确的视图转换和车道检测。

Jun, 2023

基于可微分最小二乘拟合的端到端车道检测

本文提出了一种利用端到端的方式，通过直接回归车道线参数来训练车道检测器，利用堆叠的深度网络生成的每个车道线的分割权重图与可微的最小二乘拟合模块来进行训练，并且通过观察到拟合算法可以反向传播，实现了端到端的训练方法，从而避免了引入流程中的不确定性。

Feb, 2019

基于 Transformer 的端到端车道形状预测

本文提出了一种使用 transformer 网络进行车道检测的端到端方法，使用自我注意机制来捕捉细长结构和全局上下文，并在 TuSimple 基准测试中展示了最新的准确性，适应性和实际应用的强大部署潜力。

Nov, 2020

通过对象 - 车道聚类改进在线车道图提取

自主驾驶需要准确的局部场景理解信息，为此，我们提出了一种架构和损失形式来通过使用三维物体检测输出来改善局部车道图估计的准确性。所提出的方法通过将车道线作为簇中心，将物体视为要被分配到簇中心概率分布的数据点，从而学习将物体分配给车道中心线，以确保车道和物体之间的直接关系的监督，从而提高性能。该方法显著改善了车道图估计，且通过使用现有三维物体检测方法的输出，我们的方法可以实现显著的性能提升。由于我们的方法使用的是检测输出而不是检测方法的中间表示，因此我们的方法的单一模型可以在测试时使用任何检测方法。

Jul, 2023