GDALaneNet：融合全局感知与细节精度的双通路车道线检测新范式

针对复杂道路环境中车道线检测存在的视觉线索缺失问题，天津科学技术局资助团队提出融合局部与全局特征的GDALaneNet模型。通过权重共享交叉注意力模块（WSCA）实现特征深度交互，结合迭代优化策略提升遮挡与极端光照下的检测性能，在CULane数据集达到79.8% F1值（270 FPS），为自动驾驶系统提供实时精准的车道感知方案。

　　

车道线检测是自动驾驶技术的核心环节，直接影响车辆导航、路径规划等功能的可靠性。然而在实际道路场景中，极端光照、严重遮挡等问题常导致视觉线索缺失，传统基于图像处理的方法（如Hough变换）难以应对复杂环境，而现有深度学习方法如LaneATT（局部特征提取不足）、UFLD（特征利用浅层化）等又面临性能与实时性的平衡难题。

为解决这一挑战，天津科学技术局资助团队在《Digital Signal Processing》发表研究，提出GDALaneNet创新框架。该模型通过双通路架构同步捕获局部细节与全局上下文，利用权重共享交叉注意力模块（Weight Sharing Cross Attention, WSCA）实现特征深度交互，并结合迭代优化策略提升初始提案的完整性。实验表明，该方法在CULane、Tusimple和LLAMAS三大基准数据集上F1值分别达79.8%、97.93%和97.1%，且推理速度超过200 FPS，实现了精度与效率的协同突破。

关键技术方法包括：1）构建双通路特征提取网络，通过WSCA模块融合ROI全局特征与输入局部特征；2）采用迭代优化策略聚合多层级特征提升提案质量；3）基于CULane（1640×590分辨率图像）、Tusimple（高速公路场景）和LLAMAS（结构化道路）数据集进行性能验证。

Method部分研究结果

• WSCA模块设计：通过共享权重的交叉注意力机制，使局部特征获得全局语义指导，实验显示该模块使CULane数据集召回率提升12.3%。
• 迭代优化策略：利用多层次特征逐步修正初始提案，在严重遮挡场景下将车道线连续性检测准确率提高18.7%。

Experimental Setting部分验证

• 速度优化：通过特征图降维和并行计算，模型在RTX 2080Ti显卡上实现270 FPS实时处理。
• 跨数据集测试：在LLAMAS结构化道路数据集中，模型对弯曲车道线的检测准确率达97.1%，证实其泛化能力。

结论与意义
该研究创新性地将全局上下文感知与局部细节优化相结合，提出的GDALaneNet不仅解决了传统方法在复杂场景下的性能瓶颈，更通过轻量化设计突破深度学习模型的计算限制。其双通路架构为多尺度特征融合提供新思路，而迭代优化策略则为遮挡场景下的视觉推理建立范式。研究成果为自动驾驶系统在极端条件下的可靠运行提供技术保障，相关特征交互机制也可拓展至其他结构化道路理解任务。天津科学技术局的资助进一步凸显该技术在智能交通领域的应用价值。