讀 Ultra Fast Lane Detection

Ultra Fast Lane Detection

paper
github

1. 貢獻

   1. 提出一種簡單有效的車道檢測方法，快且解決了在圖上無車道時推測車道的問題；
   • 快：將語義分割問題轉化成分類問題（減少運算）,Row Anchor， 300+FPS；
   • 解決圖上無車道時車道推測：結合全局的特征預測車道，相比語義方法有更大的感受野；
   1. 基於上述的方法提出一個結構化損失函數；
   2. SOTA；

2. 模型框架（看着框架說實現）
   

   上下兩個分支：
   主下，先ResNet特征提取，再按rowanchor分類；
   次上，語義分割，僅在訓練時有效；

3. 具體實現

   1. 快：
      首先將圖像網格化，每一行網格有若干個rowanchor；然后根據提取的全局特征，判斷rowanchor是否是車道線。相比於語義分割，逐個像素來算，基於提前定義好的rowanchor大大減少了運算量，故快。
      

   2. no-visual-clue problem:
      利用來自其他地方的信息來解決這一問題：擁有整個圖像的感受野；通過其他車道線（損失函數）或者車道形狀或者車的方向來推測；通過rowanchor的方式將像素級和更大范圍的車道線特征聯系起來；

   3. 損失函數
      三個部分：分類損失、結構損失、分割損失；
      

   分割損失：每行預測的rowanchor與真實位置one-hot向量的交叉熵之和；有一個額外的維度來表示車道缺失，故每行是w+1，而不是w；
   

   結構損失：兩個部分，車道線的連續性約束Lsim與車道線的形狀約束Lshp； 連續性約束Lsim，車道總是連續的，相鄰的行的rowanchor應該相互靠近，故取相鄰行預測量的一范數；形狀約束Lshp，由於透視效果，車道線看上去是直的，至少在近處總是這樣，故通過相鄰三行的二階差分來限制（用二階不用一階的原因）；
   

   

   

   分割損失：利用多尺度特征進行語義分割出車道線條的交叉商（只在訓練時有這個輔助分支，測試時去除，不影響速度）；

4. 文章其他需要關注的點

   1. 傳統方法
   • HSL colot model[25] and edge extraction algorithms[29,27]
   • Tracking[13,28]
   • Markov and conditional random fields[16]
   • Template matching and vector machines[15,6,20]
   1. 深度學習方法
   • semantic segmentation: VPGNet[17], SCNN[22], SAD[9]
   • Sequential prediction: LSTM[18], Fast-Draw[24]
   • Clustering: [10,30]
   • 3D formulation: [4]