摘要
车道检测在自动驾驶中发挥着至关重要的作用，为安全导航提供关键数据支持。现代算法通常依赖基于锚点（anchor-based）的检测器，并通过标签分配（label-assignment）过程，根据学习到的几何特征将训练阶段的检测结果分类为正样本或负样本。准确的标签分配对模型性能具有显著影响，而传统方法通常依赖于预定义的经典代价函数来评估真实标注（Ground Truth, GT）与预测结果之间的对齐程度。然而，这类经典标签分配方法受限于基于低维模型构建的预定义代价函数，可能难以达到最优性能。本研究提出MatchNet，一种基于深度学习子模块的新型标签分配方法，旨在提升标签分配的准确性。该方法可无缝集成至当前先进的车道检测网络中，例如车道检测领域的前沿模型Cross Layer Refinement Network（CLRNet）。在该框架下，MatchNet取代了传统的标签分配流程，构建出新型端到端模型CLRmatchNet。实验结果表明，CLRmatchNet在复杂曲率车道场景下表现显著优于原始CLRNet，在不同骨干网络上均取得明显提升：ResNet34提升达+2.8%，ResNet101提升+2.3%，DLA34提升+2.96%。此外，在其他常规场景中，该方法仍能保持甚至进一步优化原有性能。本方法有效提升了车道检测结果的置信度，使得模型可安全提高置信度阈值，从而增强实际应用中的鲁棒性与可靠性。相关代码已开源，访问地址为：https://github.com/sapirkontente/CLRmatchNet.git