CondLaneNet：一种基于条件卷积的自顶向下车道线检测框架
计算机视觉与模式识别
2023-02-13 v3
摘要
现代基于深度学习的车道线检测方法在多数场景下表现成功，但在具有复杂拓扑的车道线上表现不佳。在本工作中，我们提出 CondLaneNet，一种新颖的自顶向下车道线检测框架，该框架先检测车道实例，再为每个实例动态预测线形。为解决车道实例级区分问题，我们引入基于条件卷积与按行表述的条件车道检测策略。进一步，我们设计循环实例模块（RIM）以克服检测具有密集线与分叉线等复杂拓扑车道线的问题。得益于所需后处理极少的端到端流程，我们的方法具有实时效率。我们在三个车道检测基准上广泛评估了我们的方法。结果表明，我们的方法在所有三个基准数据集上均达到最先进的性能。此外，我们的方法兼具准确性与效率，例如在 CULane 上取得 78.14 的 F1 分数与 220 FPS。我们的代码可在 https://github.com/aliyun/conditional-lane-detection 获取。
引用
@article{arxiv.2105.05003,
title = {CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional Convolution},
author = {Lizhe Liu and Xiaohao Chen and Siyu Zhu and Ping Tan},
journal= {arXiv preprint arXiv:2105.05003},
year = {2023}
}