《Towards End-to-End Lane Detection: an Instance Segmentation Approach》论文阅读之LaneNet + H-Net

山水之间2018

于 2019-03-22 14:59:37 发布

阅读量1.6k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：无人驾驶文章标签： LANE DETECTION

本文链接：https://blog.youkuaiyun.com/Gavinmiaoc/article/details/88734517

无人驾驶专栏收录该内容

23 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文详细解读了《Towards End-to-End Lane Detection: an Instance Segmentation Approach》论文，介绍了如何利用深度学习模型LaneNet和H-Net进行端到端的车道检测。LaneNet结合语义分割和实例分割，通过实例分割分支对像素进行聚类，而H-Net通过学习变换矩阵以适应不同图像的地平线变化，提高了车道线拟合的准确性。实验证明，该算法在tuSimple数据集上达到了96.4%的准确率和52FPS的处理速度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文将对论文Towards End-to-End Lane Detection: an Instance Segmentation Approach进行解读。这篇论文是于2018年2月挂在arxiv上的。

摘要

当今很多车都带有辅助驾驶员的驾驶的功能，比如车道保持功能。该功能能使车辆保持在车道间的适当位置，这个功能对于有潜在车道偏离或者自动驾驶中的轨迹规划和决策都至关重要。传统的车道检测方法依赖于高度定义化，手工特征提取和启发式方法，通常是需要后处理技术，而这往往会使得计算量大，不利于道路场景多变下的应用扩展。最近越来越多的方法是借助深度学习建模，为像素级的车道分割做训练，即使当在大的感受野中并无车道标记的存在。尽管这类方法有他们的优势，但他们受限于检测一个预训练的，固定数量的车道线（比如本车道）问题，且无法处理车道变化。本文，我们突破了前面提到的限制，将车道检测问题转为实例分割问题，从而每个车道线各自形成一个实例，这样就能够实现端到端的训练了。在分割车道线用于拟合车道之前，我们进一步提出采用一个已学习好的透视变换，在图像上做这种调整，与固定的鸟瞰图做对比。通过这么做，我们确保在道路平面变化下的车道线拟合的鲁棒性，不同于现有依赖于固定的且预先定