[论文翻译]CLRerNet: 基于 LaneIoU 提升车道线检测置信度
车道线检测是自动驾驶和驾驶员辅助系统的关键组成部分。采用基于行的车道表示方法的现代深度车道检测技术在车道检测基准测试中表现出卓越性能。通过初步实验验证，我们首先解构了车道表示组件以确定研究方向。研究表明，现有基于行的检测器预测结果中已包含正确的车道位置，而能准确反映预测与真实值交并比(IoU)的置信度分数最具价值。基于这一发现，我们提出LaneIoU方法，通过考虑局部车道角度使其与评估指标更相关。我们开发了新型检测器CLRerNet，其采用LaneIoU作为目标分配代价和损失函数，旨在提升置信度评分质量。经过包含交叉验证在内的严谨公平测试，证明CLRerNet大幅超越现有最优技术——在CULane数据集上F1分数达81.43%（对比现有方法的80.47%），在CurveLanes数据集上达86.47%（对比86.10%）。代码与模型详见https://github.com/hirotomusiker/CLRerNet。
