5 “Heatmap-based Vanishing Point boosts Lane Detection“，arXiv 2007.15602，7，2020

利用几何结构信息，vanishing point，提出一个多任务融合框架，基于ERFNet，图像分割模型，heatmap regression预测车道线的消失点VP。其示意图如下所示：

实验结果比较如下：

6 “LDNet: End-to-End Lane Detection Approach using a Dynamic Vision Sensor”，arXiv 2009.08020，9， 2020

车道线检测的挑战：光照变化、太阳强光、运动模糊等等。这里采用事件摄像头（event camera）的动态视觉传感器，提出Lane Detection using dynamic vision sensor (LDNet)。

如图看普通摄像头和事件摄像头的区别：

下图是LDNet的架构：

其中采用的空洞SPP：

还有attention模块结构：

下表给出实验结果比较：

7 “RONELD: Robust Neural Network Output Enhancement for Active Lane Detection“，arXiv 2010.09548， 11， 2020

主动车道（active lane）划定单个道路的空间。检测的挑战来自外界的光照和车道自身单调表观。本文提出的方法实际上是一种增强方法，即real-time robust neural network output enhancement for active lane detection (RONELD)。其利用深度学习模型得到的概率图，包括以下模块：自适应车道点检测、弯曲车道检测、车道重建和跟踪等，如图所示。

注：这里采用了两个模型SCNN和ENet-SAD做实验。

这里是一些增强结果的比较：两个数据集测试

8 “Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection“，arXiv 2010.12035，11，2020

LaneATT，和Line-CNN一样的，基于锚点的车道线检测方法，类似YOLO3和SSD。除了局部信息，也强调全局信息，比如遮挡、缺失或者弱显示等情况下的处理。该方法实时性强 （速度250FPS），在三个基准数据集测试过：TuSimple, CULane 和 LLAMAS。

其架构如图：除了锚点的特征池化（类似Fast R-CNN），还有attention机制的采用。

如下是结果比较：

9 “End-to-end Lane Shape Prediction with Transformers“，arXiv 2011.04233， 11，2020

无所不在的Transformers，很善于学习全局上下文，针对车道线这种细长结构，直接估计车道线形状模型，即lane shape model。

代码上线：https://github.com/liuruijin17/LSTR

那么曲线投影到图像平面变成：光轴和路面平行

如果摄像头斜着，不与路面平行，则：

修正的曲线方程变成：

Hungarian fitting loss 在预测参数和真值车道线做bipartite matching，找到positives和negatives，很有效。

如图所示是主干架构：包括一个reduced transformer network, 几个feed-forward networks (FFNs) 做parameter predictions, 和Hungarian bipartite matching Loss。

给定输入图像I, 主干提取low-resolution feature，并扁平成 序列S；S和positional embedding Ep 输入编码器，输出表示序列Se；然后****产生输出序列Sd，其中输入查询序列 Sq 和一个学习的positional embedding ELL，然后计算其与Se、Ep的交互，得到特征；最后多个FFNs 直接预测输出参数。

如图是编码器和****结构：

实验结果比较如下表：

下图是TuSimple数据集的比较：

下面是在FVL数据集的transfer结果：没有额外训练

10 “End-to-End Deep Learning of Lane Detection and Path Prediction for Real-Time Autonomous Driving”，arXiv 2102.04738，2，2021

提出three-task convolutional neural network (3TCNN)，包括一个bounding box的regression分支、一个Hu moments的regression分支和一个classification分支。其中Hu moments回归能做车道线定位和道路引导。另外，本文特别点是一个lateral offset-path prediction （PP）模块，能够预测驾驶道路，包括车道中心线动态估计和道路曲率估计。

如图是其实现在TORCS的结构：

3TCNN的模型架构如下：

实验结果比较3TCNN和2TCNN（没有Hu moments分支）如下：

而3TCNN-PP集成的结果在TORCS的模拟环境测试性能如下：

11 “Robust Lane Detection via Expanded Self Attention“，arXiv 2102.07037，2，2021

本文是采用self attention机制，可用于编码器-****结构的NN模型，主要就是提取全局信息，在三个基准数据测试TuSimple、CULane和BDD100K。其利用车道线的简单结构，预测车道线在图像沿着水平和垂直方向的可信度，分为HESA (Horizontal Expanded Self Attention) 和 VESA(Vertical Expanded Self Attention)。该方法类似SAD，但提出了基于confidence的遮挡解决方法。

ESA编码器-****的NN模型结构如下：

一些实验结果比较如下：三个测试数据集

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。