Sep, 2023

CLRmatchNet: 借助深度匹配过程增强曲线车道检测

PDF
TL;DR我们的研究引入了 MatchNet，一个基于深度学习子模块的方法，用于增强标签分配过程，通过将其整合到最先进的车道检测网络 CLRNet 中，我们取代了传统的标签分配过程。这种整合在涉及曲线车道的场景中取得了显著的改进，在 ResNet34，ResNet101 和 DLA34 的所有主干上分别提高了 + 2.8％，+2.3％和 + 2.96％。此外，在其他部分保持或甚至改善了可比的结果，我们的方法提高了车道检测的置信水平，允许提高置信阈值。
发现论文，激发创造
  • CLRNet：用于车道检测的交叉层细化网络

    本文介绍了一种名为 CLRNet 的新的网络结构用于车道检测，通过利用高级语义特征和低级特征来提高检测精度，并使用名为 Line IoU loss 的方法对车道进行整体回归以提高定位准确性。实验结果表明，该方法明显优于现有的车道检测方法。

    Mar, 2022

  • CLRNet：适用于车道检测的跨层细化网络

    本文介绍了 CLRNet: Cross Layer Refinement Network for Lane Detection 的可复现性报告，作者提出了一种新颖的跨层细化网络，利用高层和低层特征进行车道检测，提出的技术在三个车道检测基准上达到了最新的技术水平。

    Oct, 2023

  • LaneNet：自动驾驶实时车道检测网络

    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

  • CLRerNet：使用 LaneIoU 提高车道检测的置信度

    本文提出了一种深度学习算法 CLRerNet 来进行车道线检测，该算法考虑了本地车道角度，能够更好地相关检测指标，通过交叉验证得出，该算法在 CULane 和 CurveLanes 数据集上 F1 得分分别为 81.43% 和 86.47%，比现有方法分别高出了 0.96% 和 0.37%。

    May, 2023

  • CLRKDNet：基于知识蒸馏的车道检测加速方法

    为了解决在自动驾驶应用中的实时车道检测任务中精确度和速度之间的平衡问题，我们介绍了 CLRKDNet，这是一个能够在保持检测精度的同时提供实时性能的简化模型。通过简化模型结构并引入新的蒸馏方法和蒸馏损失函数，我们实现了多达 60% 的推理时间减少以及与 CLRNet 相媲美的检测精度，从而在自动驾驶应用的实时车道检测任务中提供了一种切实可行的解决方案。

    May, 2024

  • 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

  • RONELD: 主动车道检测的鲁棒神经网络输出增强

    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

  • ENet-21：用于车道检测的优化轻型卷积神经网络结构

    使用深度学习和卷积神经网络技术，通过二元分割和亲和力场相结合的方法，实现自动驾驶车辆的车道检测，能有效应对车道数量变化和车道变换情况。

    Mar, 2024

  • LanePtrNet：曲线上的点投票和分组：重新审视车道检测

    本文提出了一种新颖的 LanePtrNet 方法，将车道检测视为有序集上的点投票和分组过程，通过将骨干特征作为输入并预测曲线感知的中心性来表示每条车道并分配最可能的中心点。通过利用局部邻域的特征和跨实例注意力得分，我们设计了一个分组模块，进一步在相邻和播种点之间执行车道聚类。我们的方法还可以作为背骨的替代方案，从而轻松扩展到 3D 车道检测任务。通过进行综合实验，验证了我们提出的方法的有效性，并展示了其卓越的性能。

    Mar, 2024

  • 深度学习在复杂条件下车道检测和分类中的应用 ——LVLane

    介绍了一种基于深度学习方法的端到端车道检测和分类系统，旨在解决在极端光照条件、看不清车道标记和车道标记稀疏等具有挑战性场景下的车道检测问题，并通过深度学习模型的微调和 CNN-based 分类分支的介入来实现车道类型的识别。该系统在 TuSimple dataset、Caltech lane dataset 和自己精心筛选的 LVLane dataset 上进行了实验验证，取得了优秀的检测和分类结果。

    Jul, 2023