摘要
车道线检测是自动驾驶与驾驶员辅助系统中的关键组成部分。现有的基于行（row-based）表示的深度车道检测方法在车道检测基准测试中表现出色。通过初步的Oracle实验，我们首先解耦了车道表示的各个组成部分，从而明确了研究方向。实验结果表明，现有基于行的检测器的预测中已包含正确的车道位置，而能够准确反映预测结果与真实标注之间交并比（IoU）的置信度分数最具价值。基于这一发现，我们提出了LaneIoU方法，该方法通过引入局部车道角度信息，使置信度得分与评估指标的相关性进一步增强。在此基础上，我们设计了一种新型检测器——CLRerNet，其在目标分配代价函数与损失函数中引入LaneIoU，旨在提升置信度分数的质量。通过精心设计且公平的基准测试（包括交叉验证），我们证明CLRerNet显著优于现有最先进方法：在CULane数据集上，F1得分达到81.43%，优于现有方法的80.47%；在CurveLanes数据集上，F1得分达到86.47%，相较现有方法的86.10%亦有明显提升。