Dec, 2023

FENet：用于车道检测的聚焦增强网络

PDF
TL;DR通过引入 Focusing Sampling、Partial Field of View Evaluation、Enhanced FPN architecture 和 Directional IoU Loss 等创新方法，针对自动驾驶中准确定位车道的难题，这项研究使用受人类驾驶专注力启发的网络模型。实验证明，与传统方法相比，我们的 Focusing Sampling 策略能够显著提高基准和曲线 / 远距车道识别的准确性，通过增强对驾驶员视野的模拟，FENetV1 取得了最先进的传统度量性能，而 FENetV2 则在提出的 Partial Field 分析方面的可靠性最高。因此，尽管在标准的整幅图像衡量中有一定的损失，我们特别推荐使用 V2 进行实际车道导航。未来的研究方向包括收集道路数据和整合互补的双重框架，以更进一步地突破，以人类感知原理为指导。代码将提供。
发现论文，激发创造
  • 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

  • F2Net: 基于学习前景关注的无监督视频目标分割

    本文提出了一种新颖的‘Foregraound Network (F2Net)’，使用 Siamese 编码器模块、中心引导外观扩散模块和动态信息融合模块等方法，实现了在深度学习和视频对象分割的领域内的最新成果，提高了分割性能。

    Dec, 2020

  • 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

  • 特征增强网络：一种精制的场景文本检测器

    本文提出了一种经过改进的场景文本检测器，它包含一个新颖的特征增强网络（FEN）和适应性加权的定位敏感 RoI 池层，以提高对小型场景文本的检测精度，同时，也提出了一种有效的样本平衡策略来训练我们的网络，并在 ICDAR 2011 和 2013 鲁棒文本检测基准测试中得到了最先进的结果。

    Nov, 2017

  • 面向实时激光雷达全景分割的中心聚焦网络

    为了实现准确且实时的 LiDAR 全景分割，引入了一种新的中心聚焦网络（CFNet），其中包括了中心聚焦特征编码（CFFE）和快速中心去重模块（CDM），在 SemanticKITTI 和 nuScenes 全景分割基准测试中性能优于现有方法，并且比效率最高的方法快 1.6 倍。

    Nov, 2023

  • 车道检测的关键点估计和点实例分割方法

    本文提出一种名为 Point Instance Network（PINet）的交通线检测方法，该方法采用了关键点估计和实例分割方法，使得训练的模型大小可以根据目标环境的计算能力进行选择，以适应不同数量的交通线。在 TuSimple 和 Culane 公共数据集上，该方法具有竞争力的准确性和误报率。

    Feb, 2020

  • 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

  • 鱼眼镜头数据集中用于改善目标检测的低光图像增强框架

    提出了一种新颖的方法，结合基于变压器的图像增强框架和集成学习技术，解决城市交通监测系统中基于鱼眼镜头相机的问题，提高了系统的有效性和准确性，为智能交通管理系统的未来作出了重要贡献。

    Apr, 2024

  • LaneSegNet 设计研究

    为了提高计算机视觉算法在实时场景中对道路特征的准确评估能力，本研究探索了 LaneSegNet 架构，该方法将拓扑信息与车道线数据集成，以提供更多上下文理解道路环境的能力。通过修改特征提取器和变换器编码器 - 解码器堆栈，我们发现在训练时间和预测精度之间可以得到有趣的权衡，某些组合显示出有希望的结果。这项研究为根据可用计算资源优化 LaneSegNet 提供了宝贵的见解，使之对资源有限的用户更具可行性，并增强了对资源更丰富的用户的能力。

    Jun, 2024

  • LaneSegNet: 自动驾驶车辆的车道段感知地图学习

    通过引入 LaneSegNet 方法，通过生成车道段来获得道路结构的完整表示，该方法能够在三项任务中显著提高性能，包括地图元素检测（+4.8 mAP），中心线感知（+6.9 DET_l）以及车道段感知（+5.6 mAP）。

    Dec, 2023