车道线检测-LaneATT 论文学习笔记

Posted tomeasure

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了车道线检测-LaneATT 论文学习笔记相关的知识,希望对你有一定的参考价值。

论文:《Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection》

地址:https://arxiv.org/abs/2010.12035v2

代码:https://github.com/lucastabelini/LaneATT

整体结构

车道线的表示方式

L a n e = ( x i , y i ) i = 0 N p t s − 1 ,      y i = i ⋅ H i m a g e N p t s − 1 Lane=\\(x_i,y_i)\\^N_pts-1_i=0,\\ \\ \\ \\ y_i=i\\cdot\\fracH_imageN_pts-1 Lane=(xi,yi)i=0Npts1,    yi=iNpts1Himage

s: 起始点 index

e: 终止点 index

anchor 的表示方式
  1. 位于图像边缘的初始点 O = ( x o r i g , y o r i g ) O=(x_orig, y_orig) O=(xorig,yorig)
  2. 角度 θ \\theta θ
模型输出
  1. K + 1 K+1 K+1 个概率值,对应 K 条车道线,1 个 background;
  2. ` N p t s N_pts Npts 个偏移量,以衡量 prediction 与 anchor 之间的水平距离;
  3. 长度 l l l,具体指有效偏移量的个数

起始点 s 被定义为 y o r i g y_orig yorig;

终止点 e 被定义为 e = s + ⌊ l ⌋ − 1 e=s+\\lfloor l\\rfloor -1 e=s+l1;

损失函数

Focal Loss 与 Smooth L1 Loss

骨干网

一般的CNN都可以,原文中又用了一个 1 × 1 1\\times 1 1×1 的 Conv 对骨干网输出的特征通道( F b a c k ∈ R C F ′ × H F × W F \\pmbF_back\\in \\mathbbR^C'_F\\times H_F\\times W_F FbackRCF×HF×WF)进行了缩减( F ∈ R C F × H F × W F \\pmbF\\in \\mathbbR^C_F\\times H_F\\times W_F FRCF×HF×WF)。

Anchor-based Feature Pooling

将图像上的 Anchor ( x o r i g , y o r i g , θ ) (x_orig,y_orig,\\theta) (xorig,yorig,θ) 投影到特征(得到 ( x j , y j )   ∣   y j = 0 , 1 , 2 , . . . , H F − 1 \\(x_j,y_j)\\ |\\ y_j=0,1,2,...,H_F-1\\ (xj,yj)  yj=0,1,2,...,HF1)上:

x j = ⌊ 1 tan ⁡ θ ( y j − y o r i g s t r i d e b a c k b o n e ) + x o r i g s t r i d e b a c k b o n e ⌋ y j = 0 ,    1 ,    2 ,    . . . ,    H F − 1 \\beginaligned x_j&=\\lfloor\\frac1\\tan\\theta(y_j-\\fracy_origstride_backbone)+\\fracx_origstride_backbone\\rfloor\\\\ y_j&=0,\\ \\ 1,\\ \\ 2,\\ \\ ...,\\ \\ H_F-1 \\endaligned xjyj=tanθ1(yjstridebackboneyorig)+stridebackbonexorig=0,  1,  2,  ...,  HF1

Attention 方案

利用局部 anchor 特征构建辅助 anchor 特征,以集成全局信息。

w i , j = softmax ( L a t t ( a i l o c a l ) ) j , if  j < i 0 , if  j = i softmax ( L a t t ( a i l o c a l ) ) j − 1 , if  j > i a i g l o b a l = Σ j w i , j a j l o c a l \\beginaligned w_i,j&=\\begincases \\textsoftmax(L_att(\\pmba^local_i))_j,&\\textif\\ j<i\\\\ 0,&\\textif\\ j=i\\\\ \\textsoftmax(L_att(\\pmba^local_i))_j-1,&\\textif\\ j>i\\\\ \\endcases\\\\ \\pmba^global_i&=\\Sigma_jw_i,j\\pmba^local_j \\endaligned wi,jaiglobal= softmax(Latt车道线检测-PolyLaneNet 论文学习笔记

python+openCV (入门级)车道线检测 学习笔记

检测车道线——1.检测车道 Color Selection

带你读AI论文丨LaneNet基于实体分割的端到端车道线检测

图像分割 - LaneNet + H-Net 车道线检测

论文解读LaneNet 基于实体分割的端到端车道线检测