HeightLane: 基于BEV高度图的3D_lane检测
原文中文，约400字，阅读约需1分钟。发表于：。该研究解决了单目图像中3D车道检测面临的深度模糊和不完善地面建模问题。HeightLane通过多斜率假设预测高度图，并利用可变形注意力空间特征转换框架，将2D特征有效转换为3D BEV特征，从而显著提高检测性能和空间准确性。实验结果显示，HeightLane在OpenLane验证集上达到最佳F-score，展示了其在实际应用中的潜力。
该文章介绍了一个大规模的三维车道数据集LiSV-3DLane，包含2万帧环视LiDAR点云，并通过丰富的语义注释捕捉了城市和高速公路环境中的复杂车道模式。作者设计了一个简单而有效的自动标注流程来解决稀疏的LiDAR数据在车道标注中的问题，并提出了一种新颖的基于LiDAR的三维车道检测模型LiLaDet，将LiDAR点云的空间几何学习融入到基于Bird's Eye View（BEV）的车道识别中。实验结果表明，LiLaDet在三维车道检测任务中优于现有的基于摄像头和LiDAR的方法。
