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

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

提出了一种轻量级裂纹级变化检测网络（LPCDNet），用于快速去除大规模双时期图像中的许多未改变的裂纹对，从而加速后续的像素级 CD 处理阶段并减少其内存成本。

Oct, 2023

建了一个大规模的用于车道检测的航拍图像数据集，并开发了一种基于深度学习的航拍图像车道检测方法，通过两个阶段实现精细级车道线提取和拓扑结构的识别。

Dec, 2023

本文提出了一种新的基于深度学习的自顶向下的车道检测方法 -- CANET，能够有效解决车道边角处的检测问题，并在多个指标上达到了领先水平。

Apr, 2023

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

本文提出了一种基于可微分的表示变换模块的框架，使得 3D 物体检测与深度估计的深度神经网络能够在此统一的框架中进行端到端的训练，该框架与大多数目前最先进的神经网络兼容，并在 KITTI 基于图像的 3D 物体检测排行榜上获得最高名次。

Apr, 2020

提出了一种结合 LiDAR 和相机传感器的深度神经网络，可以在 3D 空间中直接估计车道边界，在高速公路和城市道路等复杂情境下取得了很高准确度，解决了自动驾驶中车道检测精度不足的问题。

May, 2019

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

本文提出了一种无监督的 3D 车道分割方法，通过利用激光雷达点云帧上车道的独特强度，在 2D 平面上投影 3D 点来获取嘈杂的车道标签；同时，利用自监督的预训练模型，矫正车道标签并训练学生网络实现任意目标车道（例如，TuSimple）的无人工标签检测，通过对 TuSimple、CULane、CurveLanes 和 LLAMAS 等四个主要车道检测基准进行评估，证明了优于现有监督方法的卓越性能，并且在减小领域差异方面具有更好的效果，即在 CULane 上训练，TuSimple 上测试。

Apr, 2024