LDTR: Transformer-based Lane Detection with Anchor-chain Representation

尽管最近车道检测方法取得了一些进展，但由于光照条件和遮挡等因素的限制，导致车道视觉线索受到限制或无法获得的情况仍然具有挑战性，对于自动驾驶来说至关重要。此外，当前的车道表示需要复杂的后处理，并且在特定情况下存在困难。受DETR架构的启发，我们提出了LDTR，一种基于Transformer的模型，以解决这些问题。车道采用新颖的锚链进行建模，从一开始就将车道视为一个整体，从而使LDTR能够固有地处理特殊车道。为了增强车道实例感知，LDTR结合了一种新颖的多参考可变形注意力模块，以在物体周围分配注意力。此外，LDTR还结合了两个线IoU算法来提高收敛效率，并采用高斯热图辅助分支来增强模型在训练期间的表示能力。为了评估车道检测模型，我们依赖于Frechet距离，参数化的F1分数和其他合成指标。实验结果表明，LDTR在知名数据集上实现了最先进的性能。

本论文旨在解决自动驾驶中光照条件和遮挡等因素导致车道检测困难的问题，提出了一种基于Transformer的LDTR模型。

该模型采用了一种新的锚点链模型来表示车道，加入了多重参考可变形注意力模块来增强车道实例感知，并且使用了高斯热图辅助分支来提高模型表示能力。

实验结果表明，LDTR在公认的数据集上达到了最先进的性能，并且采用了Frechet距离、参数化F1得分和额外的合成度量来评估车道检测模型。

在近期的研究中，也有一些与车道检测相关的工作，如《End-to-End Lane Detection through Differentiable Least-Squares Fitting》、《Real-time Lane Detection for Autonomous Driving using Lightweight CNN》等。