Mar, 2024

LanePtrNet：曲线上的点投票和分组：重新审视车道检测

PDF
TL;DR本文提出了一种新颖的 LanePtrNet 方法，将车道检测视为有序集上的点投票和分组过程，通过将骨干特征作为输入并预测曲线感知的中心性来表示每条车道并分配最可能的中心点。通过利用局部邻域的特征和跨实例注意力得分，我们设计了一个分组模块，进一步在相邻和播种点之间执行车道聚类。我们的方法还可以作为背骨的替代方案，从而轻松扩展到 3D 车道检测任务。通过进行综合实验，验证了我们提出的方法的有效性，并展示了其卓越的性能。
lane detectionautonomous drivinglaneptrnetpoint voting and groupingbackbone features
发现论文，激发创造
  • 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

  • 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

  • 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

  • 结构引导的车道线检测

    本文提出了一个基于深度学习和结构引导的车道检测框架，采用实例分割表示车道，使用自上而下的消失点引导机制，并引入多层结构约束，在公开基准数据集上表现优于现有方法。

    May, 2021

  • 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

  • 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

  • 基于 LiDAR 点云分割的路缘检测框架 CurbNet

    CurbNet 是一种使用点云分割进行路边检测的新型框架，通过利用高度变化来训练模型，采用多尺度和通道注意力模块以及曲线拟合技术，在噪音减少、检测精度提高的同时，实现了卓越的检测性能和鲁棒的泛化能力，创立了新的基准水平。

    Mar, 2024

  • CurveFormer++：基于曲线传播的 3D 车道检测，带有时间曲线查询和注意力机制

    CurveFormer++ 是一种基于 Transformer 的单阶段方法，不需要图像特征视图转换模块，直接从透视图像特征中推断出三维车道检测结果。

    Feb, 2024

  • 保持注意力在车道上：实时引导车道检测

    本文提出了一种基于锚点的深度车道线检测模型 LaneATT，通过引入注意力机制和全局信息聚合，解决扩展到自动驾驶的场景的实时性问题，并在多个公开数据集上验证了其效果优于现有的方法。

    Oct, 2020