PolyLaneNet：基于深度多项式回归的车道线估计
计算机视觉与模式识别
2020-07-15 v2
摘要
促成自动驾驶巨大进步的主要因素之一是深度学习的出现。为了更安全的自动驾驶车辆，车道检测是一个尚未完全解决的问题。由于用于此任务的方法必须实时工作（+30 FPS），它们不仅必须有效（即具有高精度），而且还必须高效（即快速）。在这项工作中，我们提出了一种新的车道检测方法，该方法以安装在车辆上的前视摄像头拍摄的图像作为输入，通过深度多项式回归输出表示图像中每个车道线的多项式。结果表明，所提出的方法在TuSimple数据集上与现有SOTA方法具有竞争力，同时保持了其效率（115 FPS）。此外，在另外两个公开数据集上展示了广泛的定性结果，以及最近的车道检测工作中使用的评估指标的局限性。最后，我们提供了源代码和训练好的模型，允许其他人复制本文中显示的所有结果，这在SOTA车道检测方法中是罕见的。完整的源代码和预训练模型可在 https://github.com/lucastabelini/PolyLaneNet 获取。
关键词
引用
@article{arxiv.2004.10924,
title = {PolyLaneNet: Lane Estimation via Deep Polynomial Regression},
author = {Lucas Tabelini and Rodrigo Berriel and Thiago M. Paixão and Claudine Badue and Alberto F. De Souza and Thiago Oliveira-Santos},
journal= {arXiv preprint arXiv:2004.10924},
year = {2020}
}
备注
Accepted to ICPR 2020