SAMIRO：以预训练模型为 Oracle 的空间注意力互信息正则化用于车道检测
计算机视觉与模式识别
2025-11-14 v1
摘要
车道检测是未来出行解决方案中的重要课题。现实世界中的环境挑战（如背景杂乱、光照变化和遮挡）对有效的车道检测构成了重大障碍，特别是当依赖需要大量数据收集和标注成本的数据驱动方法时。为了解决这些问题，车道检测方法必须利用来自周围车道和物体的上下文与全局信息。在本文中，我们提出了一种以预训练模型作为 Oracle 的空间注意力互信息正则化，称为 SAMIRO。SAMIRO 通过从预训练模型迁移知识来增强车道检测性能，同时保留领域无关的空间信息。利用 SAMIRO 即插即用的特性，我们将其集成到各种 SOTA 车道检测方法中，并在 CULane、Tusimple 和 LLAMAS 等主要基准上进行了广泛实验。结果表明，SAMIRO 在不同模型和数据集上均能持续提升性能。代码将在发表后公开。
引用
@article{arxiv.2511.10385,
title = {SAMIRO: Spatial Attention Mutual Information Regularization with a Pre-trained Model as Oracle for Lane Detection},
author = {Hyunjong Lee and Jangho Lee and Jaekoo Lee},
journal= {arXiv preprint arXiv:2511.10385},
year = {2025}
}
备注
7 pages, 4 figures, paper in press