LVLane：面向复杂条件下车道检测与分类的深度学习
计算机视觉与模式识别
2023-08-21 v2
摘要
车道检测在自动驾驶车辆与高级驾驶辅助系统(ADAS)领域起着关键作用。尽管从图像处理到基于深度学习的模型取得了进展，算法性能高度依赖于与本地挑战（如极端光照条件、部分可见车道标线以及如Botts点状标线等稀疏车道标线）匹配的训练数据。为此，我们提出一种基于深度学习方法的端到端车道检测与分类系统。在研究中，我们引入一个精心构建的独特数据集，涵盖对最先进(SOTA)车道定位模型构成显著挑战的场景。此外，我们提出一个基于CNN的分类分支，与检测器无缝集成，便于识别不同车道类型。该架构支持知情变道决策并增强ADAS的鲁棒能力。我们还研究了在不同模型和批大小下使用混合精度训练与测试的影响。在广泛使用的TuSimple数据集、Caltech Lane数据集及我们的LVLane数据集上的实验评估证明了我们的模型在复杂场景中准确检测和分类车道的有效性。我们的方法在TuSimple数据集上取得了最先进的分类结果。本工作的代码可在www.github.com/zillur-av/LVLane获取。
引用
@article{arxiv.2307.06853,
title = {LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions},
author = {Zillur Rahman and Brendan Tran Morris},
journal= {arXiv preprint arXiv:2307.06853},
year = {2023}
}
备注
7 pages