基于混合锚驱动有序分类的极快深度车道线检测
计算机视觉与模式识别
2022-06-16 v1
摘要
现代方法主要将车道线检测视为像素级分割问题，难以应对效率以及严重遮挡和极端光照条件等挑战性场景。受人类感知启发，在严重遮挡和极端光照条件下对车道的识别主要基于上下文和全局信息。受此观察驱动，我们提出了一种新颖、简单而有效的建模方法，旨在实现极快速度并应对挑战性场景问题。具体而言，我们将车道线检测过程视为使用全局特征的有序分类问题。首先，我们用一系列混合（行与列）锚上的稀疏坐标表示车道线。借助锚驱动表示，我们将车道检测任务重新表述为有序分类问题以获取车道线坐标。我们的方法借助锚驱动表示可显著降低计算成本。利用有序分类建模的大感受野特性，我们也能处理挑战性场景。在四个车道线检测数据集上的大量实验表明，我们的方法在速度和精度方面均能达到最先进性能。轻量版甚至可实现 300+ 帧每秒（FPS）。我们的代码见 https://github.com/cfzd/Ultra-Fast-Lane-Detection-v2。
引用
@article{arxiv.2206.07389,
title = {Ultra Fast Deep Lane Detection with Hybrid Anchor Driven Ordinal Classification},
author = {Zequn Qin and Pengyi Zhang and Xi Li},
journal= {arXiv preprint arXiv:2206.07389},
year = {2022}
}
备注
TPAMI 2022