Jun, 2024

LaneSegNet 设计研究

PDF
TL;DR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。
发现论文，激发创造
  • 使用谷歌街景和 CNN 进行车道检测的动态方法

    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

  • LaneSegNet: 自动驾驶车辆的车道段感知地图学习

    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

  • SegNet：一种用于图像分割的深度卷积编码器 - 解码器架构

    本文介绍了一种用于语义像素分割的深度全卷积神经网络，称为 SegNet。该网络架构由编码器网络、相应的解码器网络和像素分类层组成，编码器网络的拓扑结构与 VGG16 网络的 13 个卷积层完全相同，解码器使用池化索引计算非线性上采样，使得解码器可以将低分辨率的特征映射映射到全分辨率的特征映射，从而在像素级别进行分类。评估结果表明，SegNet 相对于其他现有的架构具有更好的推理性能和更高的效率。

    Nov, 2015

  • 基于 Transformer 的端到端车道形状预测

    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

  • ENet-21：用于车道检测的优化轻型卷积神经网络结构

    使用深度学习和卷积神经网络技术，通过二元分割和亲和力场相结合的方法，实现自动驾驶车辆的车道检测，能有效应对车道数量变化和车道变换情况。

    Mar, 2024

  • SegNet：一种用于强健语义像素级标注的深度卷积编码器 - 解码器架构

    提出 SegNet，一种用于语义像素级图像标注的深度编码器 - 解码器结构。该网络通过编码器捕捉图像特征，并使用解码器映射到原始图像尺寸，实现了准确的像素级预测。在无需额外辅助信息的情况下，在几个公共基准数据集上的表现均优于最先进的方法。

    May, 2015

  • 为实时道路图像语义分割辩护：基于预训练 ImageNet 架构

    本文提出了一种基于 light-weight general purpose architecture、light-weight upsampling 以及融合多重分辨率的特征来扩大接受域的语义分割方法，在多个数据集上获得显着的优越性能和较高的 MIoU 和帧率。

    Mar, 2019

  • TEDNet: 双编码 - 解码神经网络用于 2D 摄像头和 LiDAR 道路检测

    基于深度学习的卷积神经网络模型提出了一种准确估计道路表面的方法，并通过双编码器 - 解码器神经网络 (TEDNet) 分别提取摄像机和 LiDAR 数据特征，使用鸟瞰图像投影进行语义分割。该方法在道路表面感知领域表现优良，在实时应用中与摄像机和 LiDAR 保持相同帧率。

    May, 2024

  • 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

  • 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