End-to-end Lane Shape Prediction with Transformers 论文链接：https://arxiv.org/abs/2011.04233 代码链接：https://github.com/liuruijin17/LSTR

表现SOTA！性能优于PolyLaneNet等网络，速度可高达420 FPS！代码即将开源！作者单位：西安交通大学, 首都师范大学等

车道线检测是将车道标记识别为近似曲线的过程，被广泛用于自动驾驶汽车的车道线偏离警告和自适应巡航控制。流行的分两步解决问题的pipeline：特征提取和后处理虽然有用，但效率低下，在学习全局上下文和通道的长而细的结构方面存在缺陷。为了解决这些问题，我们提出了一种端到端方法，该方法可以直接输出车道形状模型的参数，使用通过transformer构建的网络来学习更丰富的结构和上下文。车道形状模型是基于道路结构和摄像头姿势制定的，可为网络输出的参数提供物理解释。转换器使用自我注意机制对非局部交互进行建模，以捕获细长的结构和全局上下文。该方法已在TuSimple基准测试中得到验证，并以最轻巧的模型尺寸和最快的速度显示了最新的准确性。此外，我们的方法对具有挑战性的自收集车道线检测数据集显示出出色的适应性，显示了其在实际应用中的强大部署潜力。

内容中包含的图片若涉及版权问题，请及时与我们联系删除