May, 2024

CLRKDNet：基于知识蒸馏的车道检测加速方法

PDF
TL;DR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。
road laneslane detectionreal-time performanceclrkdnetautonomous driving
发现论文，激发创造
  • CLRNet：用于车道检测的交叉层细化网络

    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

  • 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

  • CLRNet：适用于车道检测的跨层细化网络

    本文介绍了 CLRNet: Cross Layer Refinement Network for Lane Detection 的可复现性报告，作者提出了一种新颖的跨层细化网络，利用高层和低层特征进行车道检测，提出的技术在三个车道检测基准上达到了最新的技术水平。

    Oct, 2023

  • 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

  • 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

  • CRKD：拥有跨模态知识蒸馏的增强型相机 - 雷达目标检测

    在自动驾驶的三维物体检测领域，LiDAR - 相机融合是性能最佳的传感器配置，但是由于成本较高，阻碍了该技术在消费级汽车中的采用。本研究提出了一种相机 - 雷达知识蒸馏（CRKD）框架，旨在弥合相机 - 雷达融合和 LiDAR - 相机融合之间的性能差距，并通过引入鸟瞰图表示作为共享特征空间，实现有效的知识蒸馏。通过四个蒸馏损失函数帮助学生模型从教师模型中学习关键特征，并在 nuScenes 数据集上进行了广泛的评估，展示了 CRKD 框架的有效性。

    Mar, 2024

  • 交叉知识蒸馏：用于密集物体检测的交叉头知识蒸馏

    本文提出了一种名为 CrossKD 的知识蒸馏方法，该方法通过将学生的检测头的中间特征输出到老师的检测头，从而将跨头预测强制与老师的预测相同，以提高学生的检测性能，并在 MS COCO 上得到了验证，性能优于所有现有的目标检测方法。

    Jun, 2023

  • CLRmatchNet: 借助深度匹配过程增强曲线车道检测

    我们的研究引入了 MatchNet，一个基于深度学习子模块的方法，用于增强标签分配过程，通过将其整合到最先进的车道检测网络 CLRNet 中，我们取代了传统的标签分配过程。这种整合在涉及曲线车道的场景中取得了显著的改进，在 ResNet34，ResNet101 和 DLA34 的所有主干上分别提高了 + 2.8％，+2.3％和 + 2.96％。此外，在其他部分保持或甚至改善了可比的结果，我们的方法提高了车道检测的置信水平，允许提高置信阈值。

    Sep, 2023

  • 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

  • CLRerNet：使用 LaneIoU 提高车道检测的置信度

    本文提出了一种深度学习算法 CLRerNet 来进行车道线检测，该算法考虑了本地车道角度，能够更好地相关检测指标，通过交叉验证得出，该算法在 CULane 和 CurveLanes 数据集上 F1 得分分别为 81.43% 和 86.47%，比现有方法分别高出了 0.96% 和 0.37%。

    May, 2023