通过曲线建模重新思考高效车道检测
计算机视觉与模式识别
2023-05-23 v2 人工智能
机器学习
摘要
本文提出一种基于参数曲线的RGB图像车道检测新方法。与通常需要启发式方法解码预测或构造大量锚点的基于分割和基于点检测的最先进方法不同，基于曲线的方法可以自然地学习整体车道表示。为处理现有多项式曲线方法的优化困难，我们提出利用参数Bézier曲线，因其易于计算、稳定且变换自由度高。此外，我们提出基于可变形卷积的特征翻转融合，以利用驾驶场景中车道的对称特性。所提方法在流行的LLAMAS基准上取得了新的最先进性能。它也在TuSimple和CULane数据集上取得了良好的精度，同时保持低延迟（>150 FPS）和小模型尺寸（<10M）。我们的方法可作为新基线，为车道检测的参数曲线建模提供启示。我们的模型代码及PytorchAutoDrive（一个自动驾驶感知统一框架）可在 https://github.com/voldemortX/pytorch-auto-drive 获取。
引用
@article{arxiv.2203.02431,
title = {Rethinking Efficient Lane Detection via Curve Modeling},
author = {Zhengyang Feng and Shaohua Guo and Xin Tan and Ke Xu and Min Wang and Lizhuang Ma},
journal= {arXiv preprint arXiv:2203.02431},
year = {2023}
}
备注
Fix GT fitting equations and descriptions in Section 3.3. Code: https://github.com/voldemortX/pytorch-auto-drive