论文笔记|Towards End-to-End Lane Detection: an Instance Segmentation

车道实例分割新方法
最新推荐文章于 2024-10-10 07:50:26 发布
原创 最新推荐文章于 2024-10-10 07:50:26 发布 · 640 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#lane detection #instance segmentation #deeplearning #车道线分割

本文提出一种结合embedding和Segmentationmask的车道实例分割方法，通过增加embedding分支使同类像素更接近，利用聚类方法切分mask为独立车道，增强上下坡场景适应性。

用尽量少的语言描述一篇paper

本文看点：

结合embedding和Segmentation mask提供一种做Lane Instance Segmentation的思路

Lane的Instance Segmentation可以比单纯的Segmentation适应更多样的路面情况，本文在Segmentation Mask的基础上增加了embedding分支，用以使得每条lane中的像素embedding结果更加接近，有了lane的segmentation mask和其中像素的embedding就可以利用聚类的方法将mask 根据阈值切分为几条单独的lane。

网络思路如下：
在这里插入图片描述

embedding的学习还是通过类似于contrastive loss的方法，将同类拉近，异类拉远。
在这里插入图片描述
另外，文章中根据图像来学习lane的拟合参数，数据驱动的学习使得系统对于上下坡的场景适应性更强

《End-to-end Lane Detection through Differentiable Least-Squares Fitting》论文精讲
weixin_38410551的博客
09-18 436
没有理解的点： geometric loss function:几何损失函数。（没有明白）
文献阅读记录：Towards End-to-End Lane Detection: an Instance Segmentation Approach
路边的石头
01-25 666
Towards End-to-End Lane Detection: an Instance Segmentation Approach 面向端到端的车道线检测：实例分割方法 摘要 现代汽车正在整合越来越多的驾驶员辅助功能，其中包括自动车道保持。后者使汽车能够在道路车道内正确定位，这对于全自动汽车的后续车道偏离或轨迹规划决策也至关重要。传统的车道线检测方法依赖高度具体、人工特征和疑似特征的结合，通常采用后处理技术，这通常计算量很大且对于不同的道路场景可扩展。越来越多的新方法利用深度学习模型，为像素级车道分割
车道线检测Towards End-to-End Lane Detection: an Instance Segmentation Approach论文解读
sinat_24674017的博客
07-19 1352
论文链接 https://arxiv.org/pdf/1802.05591.pdf 动机 传统车道线检测算法不够灵活，对于不同的检测场景缺少适应性。而基于深度学习的算法在做语义分割后需要进行后处理区分，但是后处理往往计算量大，缺乏灵活性。有些算法对车道线进行分类，直接通过类别对各个车道线进行区分，但这个方法使得可预测的车道线数量固定，只能检测ego lane，当车道线数量变化时，无法适应 贡献 ...
车道线检测--End-to-end Lane Detection through Differentiable Least-Squares Fitting
AI小作坊 的博客
04-30 1813
End-to-end Lane Detection through Differentiable Least-Squares Fitting https://github.com/wvangansbeke/LaneDetection_End2End 本文使用 CNN网络来检测车道线，end-to-end 就是输入图像，输出拟合出的车道线参数，一步到位，不用后续处理什么的。 传统的车道线检测是分步骤...
目标检测 | End-to-end Lane Detection through Differentiable Least-Squares Fitting
xiao_lxl的专栏
05-10 3686
文章目录1. 摘要**论文的主要特色在于：2 方法2.1 生成加权像素坐标的深度网络2.2 加权最小二乘拟合模块2.3 几何损失函数2.4 可选择性变换到其他参考框架3 实验3.1 玩具实验3.2 当前车道线的检测4总结 会议：CVPR 2019 标题：《End-to-end Lane Detection through Differentiable Least-Squares Fitting 》...
3D-LaneNet- End-to-End 3D Multiple Lane Detection.pdf
04-20
We introduce a network that directly predicts the 3D layout of lanes in a road scene from a single image. This work marks a first attempt to address this task with onboard sensing without assuming a known constant lane width or relying on pre-mapped environments. Our network architecture, 3D-LaneNet, applies two new concepts: intranetwork inverse-perspective mapping (IPM) and anchorbased lane representation. The intra-network IPM projection facilitates a dual-representation information flow in both regular image-view and top-view. An anchor-percolumn output representation enables our end-to-end approach which replaces common heuristics such as clustering and outlier rejection, casting lane estimation as an object detection problem. In addition, our approach explicitly handles complex situations such as lane merges and splits. Results are shown on two new 3D lane datasets, a synthetic and a real one. For comparison with existing methods, we test our approach on the image-only tuSimple lane detection benchmark, achieving performance competitive with stateof-the-art
LaneNet-Towards End-to-End Lane Detection: an Instance Segmentation Approach代码复现(车道线检测)
路边的石头
03-23 786
数据生成 python data_provider/lanenet_data_feed_pipline.py --dataset_dir ./Tu Simple/train_set/training --tfrecords_dir ./data/training_data_example/tfrecords 训练 python tools/train_lanenet.py --net vgg --dataset_dir ./data/training_data_example -m 0 ...
自动驾驶车道线检测系列—3D-LaneNet: End-to-End 3D Multiple Lane Detection
u013889591的专栏
07-16 1656
我们介绍了一种网络，可以从单张图像直接预测道路场景中车道的3D布局。这项工作首次尝试使用车载传感设备来解决这一任务，而不假设已知的恒定车道宽度或依赖预先映射的环境。我们的网络架构，3D-LaneNet，采用了两个新概念：网络内逆透视映射（IPM）和基于锚点的车道表示。网络内IPM投影在常规图像视图和俯视图中促进了双重表示信息流。基于每列锚点的输出表示使我们能够采用端到端的方法，取代了常见的聚类和离群值拒绝等启发式方法，将车道估计视为目标检测问题。此外，我们的方法能够明确处理车道合并和分离等复杂情况。
[车道线检测论文学习] Towards End-to-End Lane Detection: an Instance Segmentation Approach
Holeung blog
04-29 1367
车道线检测 Towards End-to-End Lane Detection: an Instance Segmentation Approach Abstract Semantic Instance Segmentation with a Discriminative Loss Function Pipeline Loss Function Curve fitting Exper...
【论文笔记】 Towards End-to-End Lane Detection: an Instance SegmentationApproach
ctfabc4425的博客
07-02 3967
【论文笔记】 Towards End-to-End Lane Detection: an Instance SegmentationApproach ####论文链接：[https://arxiv.org/abs/1802.05591?context=cs](https://arxiv.org/abs/1802.05591?context=cs) 这篇论文是做车道线检测的，之前的检测...
端到端车道线检测：革命性的自动驾驶技术
最新发布
gitblog_00761的博客
10-10 768
端到端车道线检测：革命性的自动驾驶技术 项目介绍 "End-to-end Lane Detection" 是一个基于深度学习的端到端车道线检测项目，由Wouter Van Gansbeke、Bert De Brabandere、Davy Neven、Marc Proesmans和Luc Van Gool共同开发。该项目通过可微分的最小二乘拟合方法，实现了从图像输入到车道线参数输...
《Towards End-to-End Lane Detection: an Instance Segmentation Approach》论文阅读
On my way
10-12 727
车道自动保持是一项重要的辅助驾驶功能，它依赖于车道线检测算法。传统的车道线检测算法依赖人为设计的特征和规则，以及后处理方法，因此计算量大且无法适应不同的场景。近期人们开始使用深度学习实现像素级的车道线分割，由于巨大的感受野，即使没有显著的特征的车道线也能检测出来。但是这些方法只能检测预定义好的固定数量的车道线，譬如ego-lanes方法；且无法处理车道线的变化。这篇文章中作者提出一种端到端的方法，将车道线检测作为一个实例分割问题来处理——每条车道线都是一个实例。
【LaneNet】Towards End-to-End Lane Detection: an Instance Segmentation Approach 代码复现
canpian7的博客
03-12 1125
准备工作 Tensorflow版本1.14 数据集：tusimple数据集 复现代码lanenet-lane-detection-master 本地项目代码路径F:\car\code\lanenet-lane-detection-master 本地数据集路径F:\car\dataset\tusimple vgg.npy下载放在项目路径的data目录中 执行项目文件，脚本如下 src_dir是你自己的数据集的目录 cd lanenet-lane-detection/tools python tools/gen
Key Points Estimation and Point Instance Segmentation Approach for Lane Detection
yl
03-29 1315
一.概述 paper: Key Points Estimation and Point Instance Segmentation Approach for Lane Detection code: https://github.com/koyeongmin/PINet dataset: Tusimple-dataset Advantage: The arbitrary number of l...
论文翻译-Key Points Estimation and Point Instance Segmentation Approach for Lane Detection
FlyDremever
12-17 2320
Abstract 用于自动驾驶的感知技术应适应各种环境。在车道线检测（一种基本的感知模块）时，应考虑许多条件，例如车道线数和目标系统的计算能力。为了解决这些问题，在本文中，我们提出了一种车道线检测方法，称为Point Instance Network (PINet)。该方法基于关键点估计和实例分割方法。 PINet包括几个经过训练的堆叠式沙漏型网络。因此，可以根据目标环境的计算能力来选择训练模型的大小。我们将预测关键点的聚类问题转换为实例分割问题；无论车道线的数量如何，都可以对PINet进行训练。 PIN.
《Key Points Estimation and Point Instance Segmentation Approach for Lane Detection》翻译
cxhmike的博客
06-18 1023
《车道线检测的关键点预测和点实例分割方法》一、摘要1、体系结构2、方法概述3、方法优点二、研究现状三、实现方法1、车道线点实例网络2、后处理方法四、实验结果1、评价标准2、实验 一、摘要 1、体系结构 包含共享的特征提取层和多个分支，用于检测和嵌入到车道线集群中。 2、方法概述 该方法能在车道线上生成精确的点，针对这些点，将聚类问题投射为点云实例分割问题。 3、方法优点 （1）该方法利用深度神经网络，能检测任意数量的车道线， （2）错误率更低。 （3）轻量模型，生成点的数量比原始图片像素点少得多。 （4）消
车道线检测--Towards End-to-End Lane Detection: an Instance Segmentation Approach
AI小作坊 的博客
04-26 2685
Towards End-to-End Lane Detection: an Instance Segmentation Approach In IEEE Intelligent Vehicles Symposium (IV’18) https://github.com/MaybeShewill-CV/lanenet-lane-detection 以前的CNN网络将所有的车道线检测出来，没做区分，需...
PINet车道线检测论文：key points estimation and point instance segmentation approach for lane detection.
Joining667的博客
03-17 1682
是篇关于自动驾驶中车道检测技术的研究论文，标题为“Key Points Estimation and Point Instance Segmentation Approach for Lane Detection”，作者包括Yeongmin Ko、Younkwan Lee、Shoaib Azam、Farzeen Munir、Moongu Jeon和Witold Pedrycz。论文提出了一种名为Point Instance Network (PINet)的车道检测方法，该方法基于关键点估计和实例分割方法。
Key Points Estimation and Point Instance Segmentation Approach for Lane Detection 论文笔记
Tianchao龙虾
04-21 295
Key Points Estimation and Point Instance Segmentation Approach for Lane Detection 论文链接： https://arxiv.org/abs/2002.06604 Problem Statement 对PINet旧版本的一个补充。旧版解析在这个链接。 Direction 增加了多个hourglass network，也添加了知识蒸馏。相对于以前只在TuSimple数据集上测试，多增加了在CuLane数据集上的测试验证。 Metho
shifts instance
08-18
- *1* *3* [车道线检测--Towards End-to-End Lane Detection: an Instance Segmentation Approach](https://blog.youkuaiyun.com/zhangjunhit/article/details/89531619)[target="_blank" data-report-click={"spm":"1018....
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值