摘要

车道检测是自动驾驶技术中最为关键的任务之一。由于实际场景复杂多样（如严重遮挡、车道线模糊等），加之车道标注本身具有稀疏的监督信号，车道检测任务仍面临巨大挑战。因此，传统的卷积神经网络（CNN）在一般场景下难以有效捕捉原始图像中的细微车道特征。针对这一问题，本文提出一种新颖的模块——递归特征偏移聚合器（Recurrent Feature-Shift Aggregator, RESA），用于在普通CNN完成初步特征提取后，进一步丰富车道特征表示。RESA充分利用车道线的强几何先验知识，有效建模像素在行与列方向上的空间关系。通过在垂直和水平方向上对特征图进行递归偏移操作，使每个像素能够聚合全局上下文信息，从而在弱外观线索的复杂场景下仍能准确推断车道线。此外，本文还提出一种双边上采样解码器（Bilateral Up-Sampling Decoder），在上采样阶段融合粗粒度与细粒度特征，实现对低分辨率特征图的精细化重建，最终生成像素级的精确预测。所提方法在两个主流车道检测基准数据集（CULane 和 Tusimple）上均取得了当前最优的性能表现。相关代码已开源，地址为：https://github.com/ZJULearning/resa。