Anchor3DLane++: 基于样本自适应稀疏 3D 锚框回归的 3D 车道检测
计算机视觉与模式识别
2024-12-24 v1
摘要
本文聚焦于单目 3D 车道检测这一具有挑战性的任务。以往方法通常采用逆透视映射 (IPM) 将前视 (FV) 图像或特征变换到鸟瞰视 (BEV) 空间进行车道检测。然而，IPM 依赖平坦地面假设以及 BEV 表示中上下文信息的丢失，导致 3D 信息估计不准确。虽然已有工作努力规避 BEV，直接从 FV 表示预测 3D 车道，但由于缺乏对 3D 车道的结构化建模，其性能仍落后于 BEV-based 方法。本文提出一种名为 Anchor3DLane++ 的新颖 BEV-free 方法，将 3D 车道锚框定义为结构化表示，直接从 FV 特征进行预测。我们还设计了基于原型的自适应锚框生成 (PAAG) 模块，用于动态生成样本自适应的稀疏 3D 锚框。此外，开发了等宽 (EW) loss 以利用车道的平行特性进行正则化。进一步探索了基于 Anchor3DLane++ 的相机-LiDAR 混合，以利用互补信息。在三个流行的 3D 车道检测基准数据集上的大量实验表明，我们的 Anchor3DLane++ 超越了之前的前沿方法。代码已公开：https://github.com/tusen-ai/Anchor3DLane。
引用
@article{arxiv.2412.16889,
title = {Anchor3DLane++: 3D Lane Detection via Sample-Adaptive Sparse 3D Anchor Regression},
author = {Shaofei Huang and Zhenwei Shen and Zehao Huang and Yue Liao and Jizhong Han and Naiyan Wang and Si Liu},
journal= {arXiv preprint arXiv:2412.16889},
year = {2024}
}
备注
Published in IEEE Transactions on Pattern Analysis and Machine Intelligence