车道线Row-wise keypoint localization + offset refinement 的特定论文系谱

文章目录方案说明Step1按列/行寻找最大响应点Step2offset refinement相关论文1\《Ultra Fast Structure-aware Deep Lane Detection》2《CondLaneNet》3《A Keypoint-based Global Association Network for Lane Detection》方案说明“Row-wise keypoint localization offset refinement” 这个范式最经典、最像的来源其实是Ultra Fast Structure-aware Deep Lane Detection以及后续 CondLaneNet和 A Keypoint-based Global Association Network for Lane DetectionStep1按列/行寻找最大响应点Ultra Fast Lane Detection中它本质是row-anchor classification沿X轴遍历 pts_map 选择置信度最大的点即每一行预测 lane 在哪里不做 dense segmentation而是做“行定位”这是 UFLD 的标志性设计。Step2offset refinementPINet / CondLaneNet 的标准 offset 修正(x*ratio, y*ratio adj)即coarse grid classificationoffset 精修相关论文模块相关论文pts_mapPINet / GANet heatmapadj_mapCondLaneNet offsetcls_mapGANet semantic branch沿X搜索最大值UFLD row-anchoroffset refinementPINet1\《Ultra Fast Structure-aware Deep Lane Detection》关键事实发表年份 2020主要研究机构 中国科学院、北京航空航天大学等研究方向 自动驾驶感知、车道线检测核心特点 结构感知 实时性优化公开数据集 TuSimple、CULane论文地址https://arxiv.org/pdf/2004.11757方法与架构论文提出的模型通过行列采样row-anchor机制减少预测维度并引入结构感知约束以保持车道线拓扑一致性。模型基于轻量化骨干网络如ResNet-18实现毫秒级推理速度。结构感知模块帮助模型在复杂场景如遮挡、光照变化下保持稳定识别。2《CondLaneNet》看我之前的《CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional Convolution条件卷积、形状和实例预测》3《A Keypoint-based Global Association Network for Lane Detection》论文地址https://arxiv.org/pdf/2204.07335