Lane2Seq: 通过序列生成实现统一的车道检测
本论文提出了一个新的序列到序列学习框架 SeqTrack 来进行视觉跟踪,将视觉跟踪作为一个序列生成问题,该问题可以在自回归的基础上预测物体的边界框,SeqTrack 架构只采用一个简单的编码器解码器变压器架构,并在多个基准测试上达到了竞争性能水平。
Apr, 2023
理解道路结构对自动驾驶至关重要。传统的道路结构常用车道图表达,其中包括中心线曲线和形成有向无环图的连接。正确提取车道图需要准确估计有向无环图中的顶点和边信息。然而,现有研究主要侧重于明确建模顶点,而将边信息仅嵌入网络中,导致这些方法在车道图提取任务中表现不佳。为解决此问题,我们提出了一种名为 LaneGraph2Seq 的新方法,它采用了编码顶点 - 边的语言模型和增强连接性方法。我们的序列化策略包括以顶点为中心的深度优先遍历和简洁的基于边的分区序列。此外,我们使用无分类器引导结合核心抽样来改进车道连接性。我们在知名数据集 nuScenes 和 Argoverse 2 上验证了我们的方法,展示了一致且令人信服的结果。与车道图提取领域的最新技术相比,我们的 LaneGraph2Seq 方法表现出优越的性能。
Jan, 2024
本研究提出利用自我预训练和自定义多连续帧图像的 PolyLoss 微调深度网络模型的方法,使车道检测性能得到进一步提高。得到了 98.38% 的最佳测试精度和 0.937 的最佳精确度,训练时间大大缩短。
May, 2023
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
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
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
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
本文提出了一种基于卷积神经网络和 SegNet encoder-decoder 架构的新型车道检测方法,并通过与 Google API 的接口实现了实时导航,该方法针对挑战性遮挡条件具有鲁棒性,且性能优于现有方法。
Sep, 2019
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
提出了一种名为 Atrous Transformer 的神经网络架构来进行车道检测,该网络采用局部 Atrous Former 增强特征提取器,然后通过行列顺序收集信息以提高信息提取能力,此外还提出了一种局部语义引导解码器来更准确地描绘车道的身份和形状,并使用三个基准测试数据集对其进行了评估,结果表明该网络表现优越。
Mar, 2022