不可知车道线检测
计算机视觉与模式识别
2019-05-10 v1 人工智能
摘要
车道线检测是自动驾驶中重要且具有挑战性的任务，受诸多因素影响，例如光照条件、其他车辆造成的遮挡、路面上无关标记以及车道线固有的细长属性。传统方法通常将车道线检测视为语义分割任务，为图像每个像素分配类别标签。该表述严重依赖于车道数预先定义且固定、且不发生变道的假设，而这并非总成立。为使车道线检测模型适用于任意数量车道及变道场景，我们采用实例分割方法，先区分车道与背景，再将每个车道像素分类至各车道实例。此外，利用多任务学习范式以更好地挖掘结构信息，并采用特征金字塔架构以检测极细车道线。三个流行的车道线检测基准，即 TuSimple、CULane 和 BDD100K，被用于验证我们所提算法的有效性。
引用
@article{arxiv.1905.03704,
title = {Agnostic Lane Detection},
author = {Yuenan Hou},
journal= {arXiv preprint arXiv:1905.03704},
year = {2019}
}
备注
6 pages, 2 figures, our codes are available at https://github.com/cardwing/Codes-for-Lane-Detection