CLRNet:适用于车道检测的跨层细化网络
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
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
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。
Sep, 2023
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
本文提出了一种基于深度学习的车道线检测方法,通过 CondLaneNet 网络结构在实例级别上进行车道线检测,设计了一种 RIM 模块来处理复杂的车道线拓扑结构,并具有较快的实时性,获得了在三个基准数据集上的最新最佳性能。
May, 2021
用反映关键性的自监督学习方法 CLLD 增强车道检测模型对导致车道低可见度的真实环境条件的抵御能力,并在光照阻碍等可见度受损的条件下优于最先进的对比学习方法,尤其在阴影等情况下表现出色。
Aug, 2023
本文提出了基于定位再细化策略的新型网络 LRNet,通过定位和细化阶段,使用学习优化池化(LOP)和变换对齐注意力(C2A)等方法,提高了改变区域的定位和边界判别准确性,并在 LEVIR-CD 和 WHU-CD 数据集上取得了最精确的边界判别结果。
Apr, 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
本文提出一种基于中继链路预测的车道检测新方法,通过预测前向和反向分支的传输图和距离图,以逐步预测中继站(下一个点)的方向和步数,从而能够捕获车道上的关键点。该方法在 TuSimple,CULane,CurveLanes 和 LLAMAS 这四个主要基准测试中取得了新的最佳效果。
Jul, 2022