一种基于关键点的全局关联车道检测网络
计算机视觉与模式识别
2022-04-18 v1
摘要
车道检测是一项具有挑战性的任务，需要同时预测车道线的复杂拓扑形状并区分不同类型的车道。早期工作遵循自上而下的路线，将预定义锚点回归为各种形状的车道线，由于锚点形状固定，缺乏足够灵活性来拟合车道的复杂形状。近来，一些工作提出将车道检测表述为关键点估计问题，以更灵活地描述车道线形状，并以逐点方式逐步分组属于同一车道线的相邻关键点，这在后处理中效率低下且耗时。本文中，我们提出一种全局关联网络（GANet），从新视角表述车道检测问题，其中每个关键点直接回归到车道线的起始点，而非逐点扩展。具体而言，关键点与其所属车道线的关联通过预测其到对应车道起始点的偏移来全局进行，彼此不依赖，可并行完成从而大幅提高效率和速度。此外，我们进一步提出车道感知特征聚合器（LFA），自适应捕获相邻关键点间的局部关联，为全局关联补充局部信息。在两个流行车道检测基准上的大量实验表明，我们的方法优于以往方法，在 CULane 上 F1 分数为 79.63%，在 Tusimple 数据集上以高 FPS 达到 97.71%。代码将发布于 https://github.com/Wolfwjs/GANet。
引用
@article{arxiv.2204.07335,
title = {A Keypoint-based Global Association Network for Lane Detection},
author = {Jinsheng Wang and Yinchao Ma and Shaofei Huang and Tianrui Hui and Fei Wang and Chen Qian and Tianzhu Zhang},
journal= {arXiv preprint arXiv:2204.07335},
year = {2022}
}
备注
Accepted by CVPR2022