CLRNet：用于车道检测的交叉层细化网络
计算机视觉与模式识别
2022-03-22 v1
摘要
车道在智能车辆的视觉导航系统中至关重要。自然地，车道是一种具有高语义层次的交通标志，但它拥有特定的局部模式，需要详细的低层特征来精确定位。利用不同特征层次对于准确的车道检测十分重要，但这仍未被充分探索。在这项工作中，我们提出交叉层细化网络（CLRNet），旨在车道检测中充分利用高层和低层特征。具体而言，它首先利用高层语义特征检测车道，然后基于低层特征进行细化。通过这种方式，我们可以利用更多上下文信息来检测车道，同时借助局部详细的车道特征来提高定位精度。我们提出 ROIGather 来收集全局上下文，进一步增强了车道的特征表示。除了新颖的网络设计外，我们引入了 Line IoU 损失，将车道线作为一个整体单元进行回归以提高定位精度。实验表明，所提方法大幅优于最先进的车道检测方法。
引用
@article{arxiv.2203.10350,
title = {CLRNet: Cross Layer Refinement Network for Lane Detection},
author = {Tu Zheng and Yifei Huang and Yang Liu and Wenjian Tang and Zheng Yang and Deng Cai and Xiaofei He},
journal= {arXiv preprint arXiv:2203.10350},
year = {2022}
}
备注
CVPR2022 Acceptance