LaneAF：基于亲和力度场的鲁棒多车道检测
计算机视觉与模式识别
2021-08-23 v4 机器人学
摘要
本研究提出了一种车道检测方法，涉及预测二值分割掩码与逐像素亲和力度场。这些亲和力度场与二值掩码可在后处理步骤中用于将车道像素按水平与垂直方向聚类为对应的车道实例。该聚类通过一种开销极小的逐行解码过程实现；此方法使 LaneAF 能够检测可变数量的车道，而无需假设固定或最大车道数。此外，与以往的视觉聚类方法相比，这种聚类形式更具可解释性，并可被分析以识别并纠正误差来源。在流行车道检测数据集上获得的定性与定量结果表明，该模型能够高效且鲁棒地检测与聚类车道。我们提出的方法在具有挑战性的 CULane 数据集与近期引入的无监督 LLAMAS 数据集上确立了新的 SOTA。
关键词
引用
@article{arxiv.2103.12040,
title = {LaneAF: Robust Multi-Lane Detection with Affinity Fields},
author = {Hala Abualsaud and Sean Liu and David Lu and Kenny Situ and Akshay Rangesh and Mohan M. Trivedi},
journal= {arXiv preprint arXiv:2103.12040},
year = {2021}
}