Dec, 2023

ElasticLaneNet：一种灵活的几何方法进行车道检测

PDF
TL;DR通过新的弹性交互能量引导车道检测网络（ElasticLaneNet）框架，采用隐式表示的新颖灵活方式，以及基于弹性交互能量的损失函数（EIE loss）引导下的训练策略，结合辅助特征细化模块（AFR），该方法在复杂车道场景中表现出色，并在三个数据集上取得了优秀的性能结果，包括结构多样性数据集 SDLane 上的 F1 分数 89.51，召回率 87.50 和精确度 91.61。
发现论文，激发创造
  • 3D-LaneNet: 端到端 3D 多车道检测

    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

  • 交通图像分割的弹性相互作用能量损失

    提出了一种简单高效的基于几何敏感能量的损失函数，用于卷积神经网络在实时交通场景理解中的多类别分割，特别适用于自动驾驶。

    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

  • 基于数据驱动的车道描述符 Eigenlanes 应用于结构多样的车道

    本文提出了一种新的道路车道检测算法，该算法使用基于数据的描述符来探测曲线和直线道路，通过对训练车道进行聚类，使用 SIIC-Net 开发的锚点检测网络确定道路的最佳车道集。实验结果表明，该算法能够提供很好的结构多样性道路检测性能。

    Mar, 2022

  • Gen-LaneNet: 一种通用且可扩展的三维车道线检测方法

    介绍了一种基于 Gen-LaneNet 的 3D 车道检测方法，包括图像编码、特征空间变换、3D 车道预测、新的几何引导车道锚定表示法和可扩展的两阶段框架，同时推出了一个新的合成数据集。实验表明，该方法在平均精度（AP）和 F 分数方面明显优于 3D-LaneNet。

    Mar, 2020

  • 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

  • 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

  • SwiftLane: 快速高效车道检测

    本文提出了 SwiftLane 算法，这是一个采用端到端深度学习框架、基于行分类的轻量级车道检测方法，同时加入假阳性抑制算法和曲线拟合技术，实现了较高的检测准确率和每秒 411 帧的推理速度。此外，在使用 TensorRT 优化后的 Nvidia Jetson AGX Xavier 嵌入式系统上也可以实时检测车道，其推理速度为每秒 56 帧。

    Oct, 2021

  • CurveLane-NAS: 融合车道感知架构搜索和自适应点融合

    该论文提出了一种名为 CurveLane-NAS 的新型车道敏感架构搜索框架，能够捕捉曲线车道并自动搜索架构和后处理，另外还介绍了一个更具挑战性的 benchmark 数据集 CurveLanes，并在其中取得了 80% F1-Score。

    Jul, 2020

  • 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