Jan, 2024

速度与准确性并重：走向快速且准确的车道检测

PDF
TL;DR通过利用关键点和建议方法的优点，本论文提出了一种 “快速而有效” 的车道检测器 “SRLane”，利用‘Sketch-and-Refine’模式，可以以高达 278FPS 的速度运行，并获得 78.9％的 F1 得分。
lane detectionproposal-based methodskeypoint-based methodssketch-and-refine paradigmsrlane
发现论文，激发创造
  • 侧重于本地：通过关键点自下而上检测车道标记

    FOLOLane 是一种基于本地模式建模实现自底向上预测全局结构的新型车道标线检测解决方案，通过两个分别预测车道关键点存在及位置的卷积神经网络模型来进行低复杂度本地模式建模，在同时实现实时处理的基础上，充分利用了有限的特征视野和局部车道标线有限的几何变化，融合了本地信息，并在公开数据集上取得了最优结果。

    May, 2021

  • 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

  • 城市街道车道标线实时检测

    采用基于 Top View 的方法，通过选择性定向高斯滤波来筛选，利用 RANSAC 线段拟合提供初始化，然后使用 Bezier 样条快速 RANSAC 算法进行拟合，再通过后处理提取城市道路中所有车道线信息，成功率达到同类方法的可比水平，帧率达到 50 Hz。

    Nov, 2014

  • 超快速结构感知深度车道检测

    提出了一种基于全局特征和行选择的非常快速的车道检测新方法，在两个测试数据集上取得了最先进水平的准确性和速度，甚至可以实现 300 帧以上每秒，比之前最先进方法至少快 4 倍。

    Apr, 2020

  • 基于关键点的车道检测全局关联网络

    本研究提出了一个基于全局关联网络（Global Association Network）以及车道感知特征聚合器（Lane-aware Feature Aggregator）的方法来解决车道检测问题，并在两个公共数据集上进行的实验表明，相较于之前的方法，本方法的 F1 分数分别为 79.63％和 97.71％。

    Apr, 2022

  • 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

  • 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

  • 快速绘制：通过调整顺序预测网络 解决车道检测的长尾问题

    本文提出了一种新型的卷积模型用于车道检测，并采用特定训练方法，使其能够适应各种天气和照明环境，达到和竞争对手相当的检测准确度，并以 90 FPS 的速度运行。

    May, 2019

  • 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

  • 朝向端到端的车道检测：一种实例分割方法

    本文提出了一种快速的车道检测算法，其将车道检测问题作为实例分割问题来解决，并使用一种基于学习的透视变换对车道进行参数化拟合，以应对车道变化。该方法既可以处理可变数量的车道，又可以处理车道变化，并在 tuSimple 数据集上取得了竞争性的结果。

    Feb, 2018