路边的石头

算法评价指标准确率CimC_{im}Cim​正确预测的车道点数量 , SimS_{im}Sim​ 真实标签中的车道点数量当预测的与实际的车道线之间距离小于设定阈值时,认为该车道点预测正确误检率 FPFPFP漏检率 FNFNFNFpredF_{pred}Fpred​为预测错误的车道线数量, NpredN_{pred}Npred​为预测的车道线总数量, MpredM_{pred}Mpred​ 没有预测到但真实存在的车道线数量, NgtN_{gt}Ngt​ 标签中所有的车道线数量F1F_1F

源码：https://github.com/cfzd/Ultra-Fast-Lane-Detection.Ultra Fast Structure-aware Deep Lane Detection现代车道检测方法主要将车道检测视为像素分割问题，难以解决具有挑战性的场景和速度问题。受到人类感知的启发，对严重遮挡和极端光照条件下车道的识别主要基于上下文和全局信息。我们把车道检测过程看作是一个基于全局特征的行选择问题。通过基于行的选择，我们的公式可以显著减少计算量。利用全局特征的大型接受域，我们也可以处理

Structure Guided Lane Detection车道线检测主要存在个问题：characterizing lanesmodeling the structural relationship between scenes and lanessupporting more attributes (e.g., instance and type) of lanes.在本文中，我们提出了一种新颖的结构引导框架来同时解决这些问题。在这一框架中，我们是首先引入一种新的车道线表示来描述每个实例