CondLaneNet：基于条件卷积的自上而下车道检测框架

现代基于深度学习的车道检测方法在大多数场景中都取得了成功，但在处理具有复杂拓扑结构的车道线时却难以应对。在这项工作中，我们提出了CondLaneNet，一种新颖的自上而下的车道检测框架，该框架首先检测车道实例，然后动态预测每个实例的线形。为了解决车道实例级别的区分问题，我们引入了一种基于条件卷积和逐行公式的条件车道检测策略。此外，我们设计了递归实例模块（RIM），以克服检测具有复杂拓扑结构（如密集线和分叉线）车道线的问题。得益于需要很少后处理的端到端管道，我们的方法具有实时效率。我们在三个车道检测基准上对我们的方法进行了广泛评估。结果表明，我们的方法在所有三个基准数据集上都达到了最先进的性能。此外，我们的方法同时具备准确性和效率，例如在CULane上达到了78.14的F1评分和220 FPS。我们的代码可在https://github.com/aliyun/conditional-lane-detection获取。