CLRNet：用于车道检测的跨层精炼网络

车道在智能网联汽车的视觉导航系统中起着至关重要的作用。自然地，车道作为一种具有高层语义的交通标志，同时具备特定的局部结构特征，需要依赖精细的低层特征进行精确定位。在车道检测任务中，综合利用不同层次的特征对于提升检测精度具有重要意义，但这一方向仍处于探索阶段。本文提出了一种跨层精炼网络（Cross Layer Refinement Network, CLRNet），旨在充分挖掘并融合高层语义特征与低层细节特征在车道检测中的优势。具体而言，该方法首先利用高层语义特征进行车道初步检测，随后基于低层特征对检测结果进行精细化修正。通过这种分阶段的融合策略，既能有效利用全局上下文信息提升车道识别能力，又能借助局部细节特征增强定位精度。为此，我们设计了ROIGather模块，用于聚合全局上下文信息，进一步强化车道特征的表达能力。此外，除新颖的网络结构外，本文还提出了一种Line IoU损失函数，将车道线作为一个整体进行回归，从而进一步提升定位准确性。大量实验结果表明，所提出的方法在多个公开数据集上显著优于现有的最先进车道检测方法。