摘要
尽管车道检测方法在真实场景中已展现出优异的性能，但大多数方法仍依赖于后处理步骤，而这些步骤往往缺乏足够的鲁棒性。为此，端到端检测器如检测变压器（Detection Transformer, DETR）被引入车道检测任务中。然而，DETR中采用的一对一标签分配机制由于存在标签语义冲突问题，会降低训练效率。此外，DETR中的位置查询（positional query）无法提供明确的位置先验信息，导致模型难以优化。本文提出一种新型的“一对多”Transformer架构——O2SFormer（One-to-Several Transformer）。首先，我们设计了一种“一对多”标签分配策略，融合了一对多与一对一分配机制，在保持端到端检测优势的同时，有效缓解了标签语义冲突问题。为克服一对一分配带来的优化困难，我们进一步提出了分层软标签（layer-wise soft label）机制，动态调整不同解码层中正样本车道锚点的正样本权重。最后，我们设计了基于动态锚点的位置查询方法，通过将车道锚点信息融入位置查询中，显式地探索空间位置先验。实验结果表明，采用ResNet50作为主干网络的O2SFormer在CULane数据集上取得了77.83%的F1分数，显著优于现有的基于Transformer和基于CNN的检测器。此外，相较于DETR，O2SFormer在使用ResNet18主干网络时，收敛速度提升了12.5倍。