LaneCorrect：自监督车道检测
计算机视觉与模式识别
2025-04-29 v2
摘要
车道检测已促使高度功能化的自动驾驶系统能够在复杂环境下理解驾驶场景。在本文中，我们致力于开发一个通用的计算机视觉系统，能够在不使用任何标注的情况下检测车道。我们做出以下贡献：(i) 我们展示了如何利用 LiDAR 点云帧上车道的独特强度来进行无监督 3D 车道分割，然后通过投影 3D 点在 2D 平面上获得带噪声的车道标签；(ii) 我们提出了一种新颖的自监督训练方案，称为 LaneCorrect，它通过从对抗增强中学习几何一致性和实例感知来自动纠正车道标签；(iii) 利用自监督预训练模型，我们蒸馏训练一个学生网络，用于在没有任何人工标签的情况下进行任意目标车道（例如 TuSimple）检测；(iv) 我们在四个主要车道检测基准（包括 TuSimple、CULane、CurveLanes 和 LLAMAS）上全面评估了我们的自监督方法，并展示了与现有监督方法相比的优异性能，同时在缓解领域差距（即在 CULane 上训练并在 TuSimple 上测试）方面显示出更有效的结果。
引用
@article{arxiv.2404.14671,
title = {LaneCorrect: Self-supervised Lane Detection},
author = {Ming Nie and Xinyue Cai and Hang Xu and Li Zhang},
journal= {arXiv preprint arXiv:2404.14671},
year = {2025}
}
备注
IJCV 2025