Wincher's blog

摘要主流做法（特征提取和后处理）比较有用，但无法学习车道线的细长结构，学习过程有瑕疵。本文提出的端到段方法可以直接输出车道线的形状参数，transformer可以学习全局信息和车道线独有的结构。引言提出了个数据集 Forward View Lane (FVL)。相关工作和PolyLaneNet类似的思路，在这项工作中，我们的方法也期望参数输出，但不同之处在于这些参数来自车道形状模型，该模型对道路结构和相机姿势进行建模。 这些输出参数具有明确的物理意义，而不是简单的多项式系数。 此外，我们的网络是用

未完。

摘要本文提出了LaneATT：基于锚的深度车道检测模型，类似于其他通用的深度对象检测器，该模型将锚用于特征池化步骤。由于车道遵循规则模式且高度相关，因此我们假设在某些情况下，全局信息对于推断其位置可能至关重要，尤其是在诸如遮挡，缺少车道标记等情况下。因此，这项工作提出了一种新颖的基于锚点的注意力机制，该机制聚集了全局信息。引言诸如多项式回归模型之类的某些方法也可能会遭受由长尾效应引起的数据不平衡问题，因为曲线较锐利的情况不太常见。 此外，该模型不仅必须是鲁棒的，而且必须是有效的。 在几种应用中，车道

摘要大多数方法着重于从单帧图像检测车道，并且在处理某些极差的情况（例如重影，严重的标记退化，严重的车辆遮挡等）时，通常会导致性能不令人满意。 实际上，车道是道路上的连续线结构。 因此，可以通过合并先前帧的信息来潜在地推断出在一个当前帧中不能准确检测到的车道。引言有挑战场景的车道检测效果如图1所示。更精确地，即使该车道可能遭受由阴影，污点和遮挡所带来的损坏或退化，也可以通过使用多个先前的帧来预测当前车道中的车道。 这促使我们通过使用连续驾驶场景的图像来研究车道检测。本文提出了一种混合深度神经网络，

摘要车道线检测很重要，其起着提供相关道路信息、辅助车辆定位、前车检测等作用，但是有挑战（光照、遮挡、磨损等）。本文综述了深度学习方法于车道线检测中的应用，主要关注现有方法的网络架构和优化目标。同时本文还阐述了相关数据集、评价指标、通用的数据处理技术，比较了不同方法的检测性能、运行时间。最后给出车道线检测的最新挑战和未来趋势。引言深度学习技术与其他学习技术的结合取得了巨大的成功。深度强化学习是深度学习和强化学习相结合的产物。 深度无监督学习是指基于未标记的训练样本来解决各种问题。 它包括生成深度结构，例

原文链接：https://xingangpan.github.io/projects/CULane.html描述CULane是一个大规模的具有挑战性的数据集，用于行车道检测的学术研究。 它是由安装在六辆由北京不同驾驶员驾驶的不同车辆上的摄像机收集的。 收集了超过55小时的视频，并提取了133,235帧。 数据示例如上所示。 我们将数据集分为88880个训练集，9675个验证集和34680个测试集。 测试集分为正常类别和8个具有挑战性的类别，分别对应于上面的9个示例。对于每帧，我们都使用三次样条

原文：https://github.com/TuSimple/tusimple-benchmark/tree/master/doc/lane_detection数据集下载地址：道路上的对象可以分为两大类：静态对象和动态对象。 车道标记是高速公路上的主要静态组成部分。 他们指示车辆以交互方式安全地在高速公路上行驶。 为了鼓励人们解决高速公路上的车道检测问题，我们发布了大约7,000个1秒钟长的20帧长的视频剪辑。车道检测是自动驾驶中的一项关键任务，它为汽车的控制提供定位信息。 我们为此任务提供了视

2021年的车道线检测新方法。官方公开视频、论文、源码：https://www.bilibili.com/video/BV1664y1o7wghttps://arxiv.org/abs/2008.13719https://github.com/ZJULearning/resa（该视频对现有车道线检测方法进行了分类、归纳总结，很完善。建议食用）基于深度学习的车道线检测方法可分为如下几类：实例分隔。例：LaneNet语义分隔。例：SCNN网格化。多项式。基于Anchor。本方法是

前言学习车道线检测，这可能是近几年去白Resnet的backbone网络。这里学习一下。这个视频对论文的想法进行了透彻的讲解。https://www.bilibili.com/video/BV1Jp4y1r7wa?from=search&seid=6199887204214718312这是对网络结构的讲解：https://www.bilibili.com/video/BV15A411e71r?from=search&seid=6199887204214718312https

摘要车道线检测要求实时性（>=30FPS）。引言车道线检测很重要巴拉巴拉。。。车道线检测分为传统方法（手工特征提取+曲线拟合）和深度学习方法。深度学习方法能够更鲁棒，但仍有一些问题需要解决：许多方法将车道线检测作为一个two-step的过程：feature extraction and curve fitting。（但大多数方法都是通过基于分割的模型来提取特征的，不具有时效性。单独的分割步骤不足以提供车道标记估计，因为分割地图必须经过后处理，以输出交通线路。）（可能忽略global

这是微软自动驾驶食谱的第一个教程（目前共两个）。之前看到过，这里记录一下。https://github.com/microsoft/AutonomousDrivingCookbook前言在本教程中，将学习如何使用AirSim仿真环境收集的数据来训练和测试自动驾驶的端到端深度学习模型。将训练一个模型，学习如何通过山脉/景观地图的一部分，在AirSim使用一个单一的正面面对网络摄像头（webcam）采集到的画面作为输入去操纵汽车。这样的任务通常被认为是自动驾驶的“你好世界”，教程结构用Keras框

Towards End-to-End Lane Detection: an Instance Segmentation Approach论文原文https://arxiv.org/pdf/1802.05591v1.pdf代码https://github.com/hq-jiang/instance-segmentation-with-discriminative-loss-tensorflow （100% python）前言车道线检测的一篇很经典的论文，网上关于这篇论文的代码解读很

Unstructured Road Vanishing Point Detection Using the Convolutional Neural Network and Heatmap Regression基于卷积神经网络和热图回归的非结构化道路消失点检测前言：20年的一篇文章，是关于非结构化道路VP检测中第一篇基于深度学习的解决方案。之前读过，这里再读一下，顺便再跑一下程序。原文链接：https://arxiv.org/abs/2006.04691源代码：https://github

用于车道线和道路标志检测和识别的消失点引导网络（VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition）前言：这是ICCV 2017的一篇文章。通过消失点（vanishing point）去辅助处理车道线和道路标志的检测和识别。针对自动驾驶中雨天和黑夜的研究现状（截至2017年，并无公开的基准数据集），该文构建了带有消失点标记的4种场景数据集（no rain, rain, hea

之前读过这篇论文，导师说要复现，这里记录一下。废话不多说，再重读一下论文。注：非一字一句翻译。个人理解，略有偏颇。基于深度强化学习的车道检测和定位官方源码下载：https://github.com/tuzixini/DQLL论文原文：https://www.sciencedirect.com/science/article/pii/S0925231220310833摘要基于深度学习的车道检测方法只检测带有粗略边框的车道线，而忽略了特定曲线车道的形状。针对上述问题，本文将深度强化学习引入粗车道检测