【论文标题】CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional Convolution

【作者团队】Lizhe Liu， Xiaohao Chen， Siyu Zhu， Ping Tan

【机构】 阿里；西蒙弗雷泽大学

【发表时间】2021/5/12

【论文链接】https://arxiv.org/pdf/2105.05003.pdf

 

 

【推荐理由】

文章针对车道线检测任务中，基于深度学习的方法面向复杂拓扑的车道线检测时存在缺陷的问题，提出了一种基于条件卷积的自顶向下的车道检测方法（CondLaneNet）。

 

CondLaneNet采用了自顶向下的车道线检测框架，首先检测车道实例，然后动态预测每个实例的线形，结构示意图如图1所示。

在实际操作过程中，作者针对车道实例识别问题，提出了基于条件卷积和行表示的条件车道检测策略，网络的主干采用标准ResNet和FPN进行多尺度特征提取，为了更有效地提取上下文特征，增加了transformer编码器模块。proposal头负责检测位于线路起点的proposal点，同时，还预测包含动态卷积核的参数映射，条件形状头预测行方向的位置、垂直范围和要绘制的偏移贴图描述每行的形状。此外，作者还设计了递归实例模块（RIM）来解决具有密集线和分叉线等复杂拓扑结构的车道线检测问题。

图1： CondLaneNet结构示意图

得益于端到端的流水线结构，后处理量小，具有实时性的特点，CondLaneNet在三个车道检测基准上进行了大量实验，取得了最新的检测性能。

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