迈向端到端车道检测：一种实例分割方法
计算机视觉与模式识别
2018-02-16 v1
摘要
现代汽车正集成越来越多的驾驶辅助功能，其中之一是自动车道保持。后者使车辆能在道路车道内正确定位，这对于全自动驾驶汽车中任何后续的车道偏离或轨迹规划决策也至关重要。传统车道检测方法依赖高度专门化、手工设计特征与启发式规则的组合，通常继以后处理技术，计算代价高且因道路场景变化而易受可扩展性影响。更近的方法利用深度学习模型训练用于逐像素车道分割，即使图像中因大感受野而无标线时亦如此。尽管有其优势，这些方法局限于检测预定义固定数目的车道（例如自车道），且无法应对变道。本文中，我们超越上述局限，提议将车道检测问题表述为实例分割问题——其中每条车道构成自身实例——可端到端训练。为在拟合车道前参数化分割出的车道实例，我们进一步提议应用以图像为条件的学习透视变换，而非固定的“鸟瞰”变换。如此，我们确保了相对于路面变化鲁棒的车道拟合，不同于依赖固定预定义变换的现有方法。总之，我们提出一种以 50 fps 运行的快速车道检测算法，可处理可变数目的车道并应对变道。我们在 tuSimple 数据集上验证方法并取得有竞争力的结果。
引用
@article{arxiv.1802.05591,
title = {Towards End-to-End Lane Detection: an Instance Segmentation Approach},
author = {Davy Neven and Bert De Brabandere and Stamatios Georgoulis and Marc Proesmans and Luc Van Gool},
journal= {arXiv preprint arXiv:1802.05591},
year = {2018}
}