车道检测网络论文（保持更新）

关于车道线检测：
车道线检测发展现状，检测方法：1.基于特征，2.基于模型，3.深度学习.车道线检测实际使用还会结合其他的测量手段。这里主要是三个层面的融合。逻辑层面，感知层面，系统层面的融合。检测的过程分为：1检测，2拟合，3跟踪：
具体可以参考如下综述论文：
1.Advances in Vision-Based Lane Detection: Algorithms, Integration, Assessment, and Perspectives on ACP-Based Parallel Vision
2.A review of recent advances in lane detection and departure warning system

下面是车道线检测的论文清单：
1.通过可微分最小二乘拟合的端到端车道检测
《End-to-end Lane Detection through Differentiable Least-Squares Fitting》
代码地址Github

2.基于CNN的连续驾驶场景鲁棒车道线检测
《Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks》

3.不可知车道检测
《Agnostic Lane Detection》
代码地址Github

4.使用高效卷积网络的多类车道语义分割
《Multi-Class Lane Semantic Segmentation using Efficient Convolutional Networks》

5.ENet-SAD：轻量级车道线检测网络：通过自注意蒸馏学习
《Learning Lightweight Lane Detection CNNs by Self Attention Distillation》ICCV2019
注：相比较SOTA的SCNN算法，ENet-SAD的参数减少20倍，速度加快10倍
代码地址Github
6.在ROS上的车道线检测：LaneNetRos项目
LaneNet Ros Node
This project is modified from the lanenet-lane-detection project

Here I use lanenet-lane-detection project to implement a Ros node to do lane detection. Input and output parameters can be config at launch file.

It’s almost realtime in my GTX1070. If you think this work is useful to you, please both star this repository and the lanenet-lane-detection repository. THX!

项目代码地址Github

7.使用Google街景和CNN进行车道检测的动态方法
《Dynamic Approach for Lane Detection using Google Street View and CNN》

8.3D-LaneNet：端到端3D多车道检测
《3D-LaneNet: End-to-End 3D Multiple Lane Detection》
(ICCV2019)
作者：以色列通用汽车公司

9.SCNN车道线检测
Spatial As Deep: Spatial CNN for Traffic Scene Understanding
AAAI2018 (AAAI Conference on Artificial Intelligence)
代码地址Github

10.VPGNet 基于灭点的道路和路面标志的检测与识别
VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition
(ICCV 2017)
代码地址Github

11.LaneNet 车道线网络
Towards End-to-End Lane Detection: an Instance Segmentation Approach
代码地址Github

12.车道线检测的数据集地址

13.PINet：基于关键点估计和点实例分割的车道线检测网络

可对任意数量的车道线进行检测，表现SOTA！性能优于LaneNet、SCNN和PointLaneNet等网络
作者团队：光州科学技术院（韩国）

最新的车道线检测方法可实现不错的性能。尽管它们具有优势，但这些方法仍存在严重缺陷，例如可检测的车道线数量有限以及假正率(FP)很高。特别是高FP会导致错误和危险。在本文中，我们提出了一种使用深度学习方法对任意数量的车道线进行检测的新颖车道检测方法，该方法的误报率比其他最近的车道检测方法低。该方法的体系结构具有共享的特征提取层和几个分支，用于检测和嵌入到集群通道。

所提出的方法可以在车道上生成精确的点，并且我们针对生成的点投射聚类问题作为点云实例分割问题。所提出的方法更紧凑，因为它产生的点少于原始图像像素的大小。我们提出的后处理方法可以成功消除异常值，并显著提高性能。整个提议框架在tuSimple数据集上取得了竞争性结果。

《Key Points Estimation and Point Instance Segmentation Approach for Lane Detection》