摘要

车道检测是自动驾驶领域中一项重要而具有挑战性的任务，受到多种因素的影响，例如光照条件、其他车辆造成的遮挡、道路上无关的标记以及车道本身固有的细长特性。传统方法通常将车道检测视为语义分割任务，即为图像中的每个像素分配一个类别标签。这种处理方式在很大程度上依赖于预定义且固定的车道数量假设，并假定不会发生车道变换，但这些假设并不总是成立。为了使车道检测模型适用于任意数量的车道和车道变换场景，我们采用了实例分割方法，首先区分车道和背景，然后将每个车道像素分类到相应的车道实例中。此外，利用多任务学习范式可以更好地利用结构信息，并采用特征金字塔架构来检测极其细窄的车道。我们使用了三个流行的车道检测基准数据集（TuSimple、CULane 和 BDD100K）来验证所提出算法的有效性。