.png){kind=icon}
返回
LaneCorrect: Self-Supervised Lane Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02417-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
车道检测已使功能强大的自动驾驶系统能够在复杂环境下理解驾驶场景。在本文中，我们致力于开发一种通用的计算机视觉系统，能够在不使用任何标注的情况下检测车道。我们做出了以下贡献： (i) 我们阐述了如何利用车道在LiDAR点云帧上的独特强度进行无监督3D车道分割，然后将3D点投影到2D平面以获得嘈杂的车道标签； (ii) 我们提出了一种新颖的自监督训练方案，命名为LaneCorrect，该方案通过从对抗性增强中学习几何一致性和实例感知来自动纠正车道标签； (iii) 利用自监督预训练模型，我们进行知识蒸馏以训练学生网络，用于检测任意目标车道（例如TuSimple）而无需任何人工标签； (iv) 我们在四个主要车道检测基准（包括TuSimple、CULane、CurveLanes和LLAMAS）上全面评估了我们的自监督方法，并与现有的监督方法相比展示了优异的性能，同时显示出在缓解领域差距方面更有效，即使用CULane进行训练并在TuSimple上进行测试。
Keyword:
Lane detection
Self-supervised learning
Autonomous driving
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
暂无机构信息
引用论文
.png){kind=icon}
Research on Recognition Technology of Vehicle Rolling Line Violation in Highway Based on Visual UAV
PREAI
分享收藏分享收藏An efficient global energy optimization approach for robust 3D plane segmentation of point clouds
PREAI
分享收藏
查看更多内容