Polar R-CNN：基于更少锚点的端到端车道检测
计算机视觉与模式识别
2024-11-05 v1
摘要
车道检测是自动驾驶中的关键且具有挑战性的任务，尤其是在真实场景中，交通车道可能细长、漫长且常被其他车辆遮挡，从而增加检测难度。现有的基于锚点的方法通常依赖先验车道锚点来提取特征，随后精化车道的位置和形状。虽然这些方法实现了高性能，但手动设置先验锚点繁琐，且确保在多样化数据集上的充分覆盖通常需要大量密集的锚点。此外，使用非极大值抑制(NMS)来消除冗余预测增加了实际部署的复杂性，并可能在复杂场景中表现不佳。在本文中，我们提出了Polar R-CNN，一种端到端的基于锚点的车道检测方法。通过同时引入局部和全局极坐标系，Polar R-CNN实现了灵活的锚点提议，并在不牺牲性能的前提下显著减少了所需锚点数量。此外，我们提出了一种具有启发式结构的三元头，支持无NMS范式，提升了部署效率和密集车道场景下的性能。我们的方法在五个流行的车道检测基准数据集——Tusimple、CULane、LLAMAS、CurveLanes和DL-Rai——上取得了具有竞争力的结果，同时保持了轻量级设计和简洁结构。我们的源代码可在https://github.com/ShqWW/PolarRCNN获取。
引用
@article{arxiv.2411.01499,
title = {Polar R-CNN: End-to-End Lane Detection with Fewer Anchors},
author = {Shengqi Wang and Junmin Liu and Xiangyong Cao and Zengjie Song and Kai Sun},
journal= {arXiv preprint arXiv:2411.01499},
year = {2024}
}