作者：小魔方
點擊上方“3D視覺工坊”，選擇“星標”
干貨第一時間送達
標題：Ultra Fast Structure-aware Deep Lane Detection（ECCV 2020）代碼地址：在公眾號「3D視覺工坊」，后台回復「車道線檢測」，即可直接下載亮點1.提出了一個基於卷積神經網絡進行車道線檢測的新方法，區別於逐像素分割方法，該方法預測輸入圖像中每行的車道線位置。2.該方法計算量小，能很好地滿足自動駕駛場景對算法的速度要求；使用全局感受野，也能很好地處理復雜場景。3.在訓練網絡時根據車道線的物理結構，加入了結構損失（structual loss），很好地利用了車道線的先驗信息。內容在輸入圖像中每隔若干像素畫水平線，將輸入圖像划分成若干個“細長條”，每個“細長條”稱為1個row anchor。再將每個row anchor在垂直方向切割，形成若干個“塊”，每個“塊”稱為1個cell。如下圖所示：
此外，還需要在每個row anchor最后面“人為地”增加1個cell，這個cell表示該row anchor中沒有車道線。希望能設計一個網絡，達到如下功能：網絡能夠輸出每個row anchor中含有車道線的cell的位置，當某個row anchor中沒有車道線時，網絡輸出該row anchor中“人為增加”的cell的位置。
為了利用車道線物理結構的特性作為網絡輸出結果的約束，在上述方法的基礎上，作者又構造了2個損失函數。因為車道線是光滑的，所以相鄰row anchor中車道線所在的cell的位置不會有突變。這意味着，相鄰兩個row anchor的cell類別概率分布應該是相似的，因此定義相似性損失函數如下：
使用相似性損失函數約束網絡的輸出結果，使得相鄰兩個row anchor的cell類別概率分布不會有突變。此外，車道線一般是直線；由於視角的原因，彎曲的車道線在圖像上大部分也近似直線。最小化相鄰row anchor預測出車道線位置的二階差分，能夠約束網絡預測結果，使得車道線不要“太彎”。在車道線存在的情況下，使用如下公式能得到車道線所在的cell的位置
作者在實現過程中，使用了一些比較工程化的方法，下面加以闡述。首先，作者又增加了1個輔助的分割分支，有助於提取特征。整體算法流程如下圖所示：
分割分支只在訓練時使用，推理時不使用。分割分支使用交叉熵損失函數。最終的損失函數是分類損失函數、結構化損失函數和分割損失函數的加權和，表示如下：
其次，作者在實現過程中使用了數據增強的方法以減輕過擬合現象。使用了旋轉、垂直和水平移位的方法，為了保持車道線的結構，在數據增強得到的圖片上對車道線進行了延長，如下圖所示
作者使用了ResNet-18和ResNet-34作為網絡的backbone，在TuSimple和CULane這2個數據集上驗證了上述方法。在這2個數據集上實現時一些參數設置如下：
在2個數據集上的性能如下所示：
其中使用ResNet-18作為backbone的版本在CULane數據集上能跑到322.5FPS，是一個非常閃光的結果！本文僅做學術分享，如有侵權，請聯系刪文。下載1在「3D視覺工坊」公眾號后台回復：3D視覺，即可下載 3D視覺相關資料干貨，涉及相機標定、三維重建、立體視覺、SLAM、深度學習、點雲后處理、多視圖幾何等方向。
下載2在「3D視覺工坊」公眾號后台回復：3D視覺github資源匯總，即可下載包括結構光、標定源碼、缺陷檢測源碼、深度估計與深度補全源碼、點雲處理相關源碼、立體匹配源碼、單目、雙目3D檢測、基於點雲的3D檢測、6D姿態估計源碼匯總等。
下載3在「3D視覺工坊」公眾號后台回復：相機標定，即可下載獨家相機標定學習課件與視頻網址；后台回復：立體匹配，即可下載獨家立體匹配學習課件與視頻網址。
重磅！3DCVer-學術論文寫作投稿 交流群已成立
掃碼添加小助手微信，可申請加入3D視覺工坊-學術論文寫作與投稿 微信交流群，旨在交流頂會、頂刊、SCI、EI等寫作與投稿事宜。
同時也可申請加入我們的細分方向交流群，目前主要有3D視覺、CV&深度學習、SLAM、三維重建、點雲后處理、自動駕駛、CV入門、三維測量、VR/AR、3D人臉識別、醫療影像、缺陷檢測、行人重識別、目標跟蹤、視覺產品落地、視覺競賽、車牌識別、硬件選型、學術交流、求職交流、ORB-SLAM系列源碼交流、深度估計等微信群。
一定要備注：研究方向+學校/公司+昵稱，例如：”3D視覺 + 上海交大 + 靜靜“。請按照格式備注，可快速被通過且邀請進群。原創投稿也請聯系。
▲長按加微信群或投稿
▲長按關注公眾號
3D視覺從入門到精通知識星球：針對3D視覺領域的知識點匯總、入門進階學習路線、最新paper分享、疑問解答四個方面進行深耕，更有各類大廠的算法工程人員進行技術指導。與此同時，星球將聯合知名企業發布3D視覺相關算法開發崗位以及項目對接信息，打造成集技術與就業為一體的鐵桿粉絲聚集區，近2000星球成員為創造更好的AI世界共同進步，知識星球入口：
