ADNet：通过锚点分解的车道线形状预测
计算机视觉与模式识别
2023-08-22 v1
摘要
在本文中，我们重新审视基于锚点的车道检测方法的局限，这些方法主要聚焦于源自图像边缘的固定锚点，忽视了其通用性与质量。为克服锚点的不灵活性，我们将其分解为学习起始点热图及其关联方向。该分解消除了锚点起始点的限制，使我们的算法能适应不同数据集中的各类车道类型。为提升锚点质量，我们为特征金字塔网络（FPN）引入大核注意力（LKA）。这显著增大了感受野，而由于车道线通常贯穿整幅图像，捕获充足上下文至关重要。我们将所提系统命名为锚点分解网络（ADNet）。此外，我们提出通用车道 IoU（GLIoU）损失，显著提升了 ADNet 在复杂场景中的性能。在三个广泛使用的车道检测基准 VIL-100、CULane 和 TuSimple 上的实验结果表明，我们的方法在 VIL-100 上优于当前最优方法，并在 CULane 和 TuSimple 上展现出具竞争力的精度。代码与模型将发布于 https://github.com/ Sephirex-X/ADNet。
引用
@article{arxiv.2308.10481,
title = {ADNet: Lane Shape Prediction via Anchor Decomposition},
author = {Lingyu Xiao and Xiang Li and Sen Yang and Wankou Yang},
journal= {arXiv preprint arXiv:2308.10481},
year = {2023}
}
备注
ICCV2023 accepted