基于关键点的全局关联网络用于车道线检测

车道线检测是一项具有挑战性的任务，需要同时预测车道线复杂的拓扑结构形状，并区分不同类型的车道。早期的方法通常采用自上而下的范式，将预定义的锚点（anchors）回归为各种形状的车道线，但由于锚点形状固定，难以灵活适应复杂多变的车道形态。近年来，一些研究将车道线检测建模为关键点估计问题，通过逐步点对点地聚合属于同一条车道线的相邻关键点，以更灵活地描述车道线的形状。然而，这种后处理方式效率较低，耗时较长。本文提出一种全局关联网络（Global Association Network, GANet），从新视角重新定义车道线检测问题：每个关键点不再通过逐点扩展的方式进行关联，而是直接回归到其所属车道线的起点。具体而言，关键点与对应车道线的关联通过全局预测其相对于车道起点的偏移量来实现，且各关键点之间的关联相互独立，可并行处理，显著提升了计算效率。此外，本文进一步提出一种车道感知特征聚合器（Lane-aware Feature Aggregator, LFA），能够自适应地捕捉相邻关键点之间的局部相关性，从而补充全局关联过程中的局部信息。在两个主流车道线检测基准数据集上的大量实验表明，所提方法在CULane数据集上取得了79.63%的F1分数，在Tusimple数据集上达到97.71%的F1分数，同时保持了较高的帧率（FPS）。相关代码已开源，地址为：https://github.com/Wolfwjs/GANet。