摘要
车道检测是自动驾驶系统中的核心功能之一，近年来受到广泛关注。针对车道实例分割任务，尤其是外观质量较差的车道，网络模型必须能够有效挖掘车道的空间分布特性。现有大多数方法主要依赖于基于卷积神经网络（CNN）的技术，少数研究尝试引入近期备受关注的序列到序列Transformer架构（seq2seq Transformer）\cite{transformer}。然而，这类方法固有的全局信息捕获能力较弱以及计算开销过高的问题，严重制约了其在更广泛场景中的应用。为此，本文提出一种新型网络结构——空洞Transformer（AtrousFormer），以克服上述挑战。其中，局部空洞Transformer（local AtrousFormer）被嵌入特征提取器中，通过专有的行优先、再列优先的信息聚合方式，显著增强了网络的信息获取能力，同时提升了计算效率。为进一步提升性能，本文还设计了一种局部语义引导解码器，用于更精确地识别车道的类别与几何形状，该解码器利用每个车道起点的预测高斯图作为引导信号，实现更精准的车道边界定位。在三个具有挑战性的公开基准数据集（CULane、TuSimple 和 BDD100K）上的大量实验结果表明，所提出的网络在性能上显著优于现有最先进方法。