点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达

你有没有想过，当自动驾驶汽车穿梭在复杂路况时，它是如何精准识别车道线的？暴雨天车道被积水覆盖、十字路口车道分叉成Y形、前车遮挡导致车道"消失"……这些场景对人类司机都是挑战，对AI来说更是难上加难。

今天要给大家介绍一篇TPAMI 2025的重磅论文——《CLRNetV2: A Faster and Stronger Lane Detector》。这个由浙江大学等机构研发的全新车道检测框架，就像给自动驾驶装上了"火眼金睛"，不仅看得准，还跑得飞快！

论文信息

题目：CLRNetV2: A Faster and Stronger Lane Detector

CLRNetV2：更快更强的车道检测器

作者：Tu Zheng, Yifei Huang, Yang Liu, Binbin Lin, Zheng Yang, Deng Cai, Xiaofei He

为什么车道检测这么难？

别看车道线只是几条简单的白线，要让AI准确识别可没那么容易。论文里总结了三大核心难题：

1. 特征矛盾：车道既有高级语义（比如和路边白线的区别），又需要精确的细节定位。高层特征能辨语义，低层特征能定位置，但怎么把两者结合好？

2. 视觉证据缺失：遇到车辆遮挡、强光直射或隧道出入口时，车道线可能完全"隐形"。这时AI该怎么判断车道位置？

3. 密集车道困境：在高速出入口、十字路口等场景，车道会分叉成Y形或多叉状。传统算法要么把真实车道当成重复预测删掉，要么保留大量假阳性结果。

看看这些让人头疼的场景，是不是瞬间理解了AI的"难处"：

CLRNetV2的四大"黑科技"

针对这些难题，研究团队提出了四大创新模块，就像给AI配备了一整套"车道检测神器"。

1. 跨层精炼网络：高低搭配，干活不累

人类识别车道时，会先看大概位置（高层语义），再聚焦细节（低层特征）。CLRNetV2模仿这种思路，设计了"跨层精炼"机制：

• 先用高层特征快速锁定车道大致位置

• 再用低层特征逐步优化精度

• 就像先用望远镜找到目标，再用显微镜仔细观察

这种设计让网络既能看懂"这是车道不是其他标志"，又能精确到像素级定位，解决了特征矛盾问题。

2. Fast-ROIGather：全局信息"收集器"

遇到车道被遮挡怎么办？CLRNetV2的Fast-ROIGather模块就像个情报员，能收集全局信息来"推理"被遮挡的部分：

• 沿着车道线方向聚合局部信息，让每个点都能参考邻居的特征

• 用注意力机制建立全局联系，让"消失"的车道段能从周围环境找线索

• 最关键的是，它比传统方法快得多！计算复杂度从O(HWC²)降到O(NpC)

有了这个模块，即使车道被大车挡住，AI也能根据前后的车道走势，推测出被遮挡部分的位置。

3. Line IoU损失：把车道当整体看

传统算法把车道线拆成一个个点来回归，就像把句子拆成字母来学，效果肯定不好。Line IoU损失则把车道当成完整线段：

• 计算两条线段的交并比（类似计算两个框重叠程度）

• 让网络学习整体形状，而不是孤立的点

• 实现更平滑、更连贯的车道预测

看下面的对比就知道效果多明显：用传统损失预测的车道线歪歪扭扭，而Line IoU损失能输出更贴合真实的平滑曲线。

4. 相关性判别模块：密集车道的"火眼金睛"

面对Y形分叉等密集车道，CDM模块能聪明地区分哪些是真分叉，哪些是重复预测：

• 给车道线贴标签：正常车道标0，密集车道标1、2…

• 用简单的分类器就能判断车道间的关联性

• 推理时几乎不增加计算量，实现"零成本"优化

有了CDM，AI再也不会把高速出入口的分叉车道当成重复预测删掉了，看下面的效果对比多明显：

实测性能：横扫四大数据集

研究团队在四个权威数据集上做了测试，结果可以用"横扫"来形容：

• CULane：F1@50达到80.68，轻量版更是能跑到270 FPS（每秒处理270帧）

• Tusimple：在这个接近饱和的数据集上，依然刷新了最先进结果

• CurveLanes：比之前的CondLaneNet在mF1上高出6%

• SDLane：领先第二名14个百分点，密集车道检测能力突出

尤其值得一提的是速度表现：普通版本151 FPS，轻量版270 FPS，完全满足实时性要求，这对自动驾驶来说太重要了！

消融实验：每个模块都很能打

为了证明每个创新点的价值，团队做了详细的消融实验：

• Line IoU损失单独就能提升1.4个mF1点

• 跨层精炼让定位精度持续提升

• Fast-ROIGather带来1.4%的mF1提升

• CDM在密集车道场景下提升近2个点

而且CDM的效率优势明显，对比CondLaneNet的RIM模块，不管密集车道数量多少，都几乎不增加推理时间：

结语：让自动驾驶更安全

CLRNetV2的出现，不仅刷新了车道检测的性能上限，更重要的是它解决了实际场景中的痛点问题：

• 跨层精炼让检测既准又细

• Fast-ROIGather解决了视觉证据缺失难题

• Line IoU损失让车道预测更平滑

• CDM轻松应对密集车道场景

这些技术进步，最终都会转化为自动驾驶的安全性提升。也许在不久的将来，当我们乘坐自动驾驶汽车时，背后就有CLRNetV2在默默守护着车道安全。

想看论文原文的同学可以自行搜索标题，相信这个工作会给车道检测领域带来更多启发！

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：人工智能0基础学习攻略手册

在「小白学视觉」公众号后台回复：攻略手册，即可获取《从 0 入门人工智能学习攻略手册》文档，包含视频课件、习题、电子书、代码、数据等人工智能学习相关资源，可以下载离线学习。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~