基于深度学习的车道线检测网络

深度学习的车道线检测网络
一.分割模型
1. SCNN，Github，TuSimple Benchmark lane Detection challenge获得了第一名，准确率为96.53%，结合车道线特征提出的专门的分割模型，主要贡献点是spati cnn结构的提出，这个结构主要适用于条状目标的检测例如车道线，电线，电线杆等。
2. LaneNet ，Github 该算法在图森的车道线数据集上的准确率为96.4%，在NVIDIA 1080 TI上的处理速度为52FPS。 多任务的车道线检测模型 一个分支学习一个中间层的特征图用于统计车道线数目，一个分支去分割车道线（二分类，相比于多分类这里参数少了，计算量小了，准确率高了），结合两个分支，利用聚类计算车道线的数量，最终实现车道线的实例分割,最终通过HNet学习透视矩阵参数去实现车道线的拟合

3.ENet-SAD ，Github 自注意力蒸馏分割网络，主干网络采用ENet 在E2-E4模块加上SAD模块去产生一个注意力特征图，利用loss去缩小相邻模块之间的差距，从而让网络能够实现低层模仿高层学习，加快网络的收敛速度。比SCNN参数少20倍，快10倍

二.目标检测模型

Vpgnet ，Github 多任务的车道线检测，有目标检测任务 ，分割任务，以及坐标点回归任务相结合，实现车道线的检测。