cxhmike的博客

《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

原文链接摘要现在的车道线检测方法主要是语义分割，但在具有挑战性的场景和车速时效果不好。在被严重遮挡和极端光照条件下，车道线检测主要基于语义和全局信息。本论文利用全局特征，将车道线检测转化为基于行的选择问题。我们也提出了一个针对车道线结构的损失函数。在处理相同分辨率的图像时，轻量级的模型可以达到300+的帧率，比以往先进的车道线检测方法快了4倍。1 引言车道线检测的3个关键问题（1）速度要快目前的自动驾驶车辆通常配置多个摄像头，计算量很大，快速的检测流程对实时性至关重要。为此，研究者们提出了SAD