《LaneAF：Robust Multi-Lane Detection with Affinity Fields》论文笔记

Posted 2021-09-01 m_buddy

参考代码：LaneAF

1. 概述

导读：这篇文章提出了通过语义分割（2分类）检测车道线的算法，不过在其中添加了affinity fields用于区分不同的车道线（从语义分割演变实现“实例分割”）。文中对每条车道线预测两个affinity fields，分别是水平方向和垂直方向。其中水平方向的affinity fields用于归纳当前车道线行的中心点，垂直的affinity fileds用于推断当前车道线下一行预测集合的位置，也就是在图像的行维度上使用水平和垂直的affinity fields进行耦合，从而将不同的车道线区分开来。因而文章的算法后处理相对来讲会复杂一些，经过测试其平均耗时为15～20ms（CPU）。

文章方法新颖点在分割的基础上引入affinity fields用以在语义分割基础上实现“实例分割”的效果。其主要流程见下图所示：

左边的部分就是传统的语义分割的编解码单元，只是在输出的时候同时输出语义分割结果和两个方向上的affinity fields，之后通过后处理得到最后的结果。

2. Affinity Fileds和Loss

2.1 Affinity Fileds

预测标签的生成：
对于水平方向的affinity fileds是用于完成当前行所在车道线中心点的预测，那么当前行所在车道线上的点指向中心的向量就可以表示为：
$${\vec{H}}_{gt}(x_i^l,y)=(\frac{{\bar{x}}_y^l-x_i^l}{|{\bar{x}}_y^l-x_i^l|},\frac{y-y}{||y-y}{)}^T=(\frac{{\bar{x}}_y^l-x_i^l}{|{\bar{x}}_y^l-x_i^l|},0{)}^T$$
其中，${\bar{x}}_y^l$代表当前车道线所在行的中心点，$y$代表当前所在的图片行，$l$代表当前所在的车道线，$x_i^l$代表当前所在车道线行上的像素点。形象的描述见下图所示：

对于垂直方向的affinity fileds的计算就需要2个行（$y-1$和$y$），其计算的过程可以描述为：
$${\vec{V}}_{gt}(x_i^l,y)=(\frac{{\bar{x}}_{y-1}^l-x_i^l}{|{\bar{x}}_{y-1}^l-x_i^l|},\frac{(y-1)-y}{|(y-1)-y|}{)}^T=(\frac{{\bar{x}}_{y-1}^l-x_i^l}{|{\bar{x}}_{y-1}^l-x_i^l|},-1{)}^T$$
上面一些参数与水平计算中的类似，其中需要注意的是计算垂直方向的时候是与上一行的中心点${\bar{x}}_{y-1}^l$进行计算，形象的描述表示为：

那么对于一整幅图像其中的多个车道线的水平和垂直方向的affinity fileds标注计算过程可以描述为下面算法中的形式（文章中所有的处理过程都是自底向上的）：

水平和垂直affinity fileds的后处理：
在后处理阶段对于不同的车道线实例使用$C^k$进行表示（初始的情况下是在$(y-1)$行开始处理），则所在行的车道线实例的判别条件为：
$${\vec{H}}_{pred}(x_{i-1}^{fg},y-1{)}_0\le 0and{\vec{H}}_{pred}(x_i^{fg},y-1{)}_0>0$$
也就是

以上是关于《LaneAF：Robust Multi-Lane Detection with Affinity Fields》论文笔记的主要内容，如果未能解决你的问题，请参考以下文章

美团热修复Robust的踩坑之旅-使用篇

R语言泊松回归(poisson)模型案例:基于robust包的Breslow癫痫数据集

Android 美团Robust热更新 使用入门

R构建鲁棒回归模型（Robust Regression）

《Robust Consistent Video Depth Estimation》论文笔记

计算机软件基础如何理解鲁棒性Robust？