LaneCorrect: Self-supervised Lane Detection

车道检测已经发展出高度功能的自动驾驶系统，即使在复杂环境下也能理解驾驶场景。本文旨在开发一种通用的计算机视觉系统，能够在不使用任何注释的情况下检测车道。我们做出了以下贡献：（i）我们说明了如何通过利用LiDAR点云帧上车道的独特强度来执行无监督的三维车道分割，然后通过投影3D点来获得2D平面上的嘈杂车道标签；（ii）我们提出了一种新颖的自我监督训练方案，称为LaneCorrect，通过从对抗性增强中学习几何一致性和实例感知自动校正车道标签；（iii）通过自我监督预训练模型，我们提炼出一个学生网络，用于任意目标车道（例如TuSimple）的检测，而不需要任何人类标签；（iv）我们在四个主要车道检测基准（包括TuSimple、CULane、CurveLanes和LLAMAS）上彻底评估了我们的自我监督方法，并与现有的监督对应方法相比表现出优秀的性能，同时显示出更有效的结果，即在CULane上训练，然后在TuSimple上测试，以减轻域间差距。

本论文旨在开发一种通用的计算机视觉系统，能够在不使用任何注释的情况下检测车道。

论文提出了一种无监督的3D车道分割方法，通过利用LiDAR点云帧上车道的独特强度，然后通过投影3D点来获取2D平面上的嘈杂车道标签。同时，提出了一种新颖的自监督训练方案，称为LaneCorrect，通过从对抗性增强中学习几何一致性和实例感知来自动校正车道标签。

论文在四个主要的车道检测基准测试中对自监督方法进行了全面评估，并展示了与现有监督对应物相比表现出优异的性能，同时展示了在缓解域间差距方面更有效的结果，即在CULane上进行训练并在TuSimple上进行测试。

与此相关的最近研究包括：《End-to-End Lane Detection through Differentiable Least-Squares Fitting》、《Deep Multi-Sensor Lane Detection》、《Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks》等。