摘要

基于深度学习的现代车道线检测方法在多数场景下表现优异，但在处理具有复杂拓扑结构的车道线时仍面临挑战。本文提出了一种新型的自顶向下式车道线检测框架——CondLaneNet，该方法首先检测车道实例，随后动态预测每个实例的线形轮廓。为解决车道实例级别的区分难题，我们引入了一种基于条件卷积与逐行建模的条件化车道线检测策略。此外，我们设计了循环实例模块（Recurrent Instance Module, RIM），以有效应对密集车道线、分叉车道线等复杂拓扑结构的检测问题。得益于端到端的处理流程，该方法几乎无需后处理，因而具备实时性优势。我们在三个主流车道线检测基准数据集上进行了广泛实验，结果表明，所提方法在全部三个数据集上均达到了当前最优性能。尤其值得一提的是，该方法在准确率与效率之间实现了良好平衡：在CULane数据集上，取得了78.14的F1分数与220 FPS的推理速度。相关代码已开源，地址为：https://github.com/aliyun/conditional-lane-detection。