RONELD：用于主动车道检测的鲁棒神经网络输出增强
计算机视觉与模式识别
2020-11-04 v2
摘要
准确的车道检测对自动驾驶车辆的导航至关重要，尤其是主动车道，其界定了车辆当前行驶所在的单一道路空间。近期最先进的车道检测算法利用卷积神经网络（CNNs）在 TuSimple 和 CULane 等流行基准上训练深度学习模型。尽管这些模型在取自同一数据集的训练和测试输入上表现尤为良好，但在不同环境的未见数据集上性能显著下降。本文中，我们提出一种用于主动车道检测的实时鲁棒神经网络输出增强（RONELD）方法，从深度学习概率图输出中识别、跟踪并优化主动车道。我们首先从概率图输出中自适应提取车道点，随后检测弯曲与直车道，并对直车道使用加权最小二乘线性回归以修复真实图像中因边缘图碎片化导致的断裂车道边缘。最后，我们通过跟踪先前帧来推测真实主动车道。实验结果表明，在跨数据集验证测试中，使用 RONELD 准确率最高提升至两倍。
引用
@article{arxiv.2010.09548,
title = {RONELD: Robust Neural Network Output Enhancement for Active Lane Detection},
author = {Zhe Ming Chng and Joseph Mun Hung Lew and Jimmy Addison Lee},
journal= {arXiv preprint arXiv:2010.09548},
year = {2020}
}
备注
Fixed typos; Accepted at ICPR 2020, 8 pages, 6 figures, code to be published at http://github.com/czming/RONELD-Lane-Detection