Anchor3DLane：学习回归 3D 锚点用于单目 3D 车道检测
计算机视觉与模式识别
2023-03-29 v2
摘要
单目 3D 车道检测因其缺乏深度信息而具挑战性。一种流行方案是先通过逆透视映射(IPM)将前视(FV)图像或特征变换至鸟瞰(BEV)空间，再从 BEV 特征中检测车道。然而，IPM 对平地假设的依赖及上下文信息的丢失，使其难以从 BEV 表征准确恢复 3D 信息。已有尝试摆脱 BEV 并直接从 FV 表征预测 3D 车道，但因缺乏 3D 车道的结构化表征仍逊于其他基于 BEV 的方法。本文在 3D 空间中定义 3D 车道锚点，并提出名为 Anchor3DLane 的无 BEV 方法，直接从 FV 表征预测 3D 车道。将 3D 车道锚点投影至 FV 特征以提取兼具良好结构与上下文信息的特征，从而准确预测。此外，我们还开发了一种利用车道间等宽特性的全局优化方法，以降低预测的横向误差。在三个流行 3D 车道检测基准上的大量实验表明，Anchor3DLane 优于先前基于 BEV 的方法并达到最优性能。代码见：https://github.com/tusen-ai/Anchor3DLane。
引用
@article{arxiv.2301.02371,
title = {Anchor3DLane: Learning to Regress 3D Anchors for Monocular 3D Lane Detection},
author = {Shaofei Huang and Zhenwei Shen and Zehao Huang and Zi-han Ding and Jiao Dai and Jizhong Han and Naiyan Wang and Si Liu},
journal= {arXiv preprint arXiv:2301.02371},
year = {2023}
}
备注
Accepted by CVPR 2023