CLRmatchNet：以深度匹配过程增强弯曲车道检测
计算机视觉与模式识别
2024-04-02 v2
摘要
车道检测在自动驾驶中起着关键作用，为安全导航提供重要数据。现代算法依赖基于锚的检测器，随后通过标签分配过程，根据学到的几何属性将训练检测分类为正或负样本。准确的标签分配对模型性能有重大影响，通常依赖于评估真值与预测对齐的预定义经典代价函数。然而，经典标签分配方法因其依赖源自低维模型的预定义代价函数而存在局限，可能影响其最优性。我们的研究引入MatchNet，一种基于深度学习子模块的方法，旨在改进标签分配过程。MatchNet集成到最先进的车道检测网络（如用于车道检测的跨层精炼网络（CLRNet））中，以子模块网络取代常规标签分配过程。集成模型CLRmatchNet超越了CLRNet，在涉及弯曲车道的场景中表现出显著改进，在所有骨干网络上均有显著提升：ResNet34提升+2.8%，ResNet101提升+2.3%，DLA34提升+2.96%。此外，其在其他路段保持甚至改善了可比结果。我们的方法提升了车道检测置信度水平，允许提高置信度阈值。我们的代码见：https://github.com/sapirkontente/CLRmatchNet.git
引用
@article{arxiv.2309.15204,
title = {CLRmatchNet: Enhancing Curved Lane Detection with Deep Matching Process},
author = {Sapir Kontente and Roy Orfaig and Ben-Zion Bobrovsky},
journal= {arXiv preprint arXiv:2309.15204},
year = {2024}
}