URL
TL;DR
- 本文提出一种新的车道线检测范式，可以在极低的计算复杂度下精准预测车道线位置。
- 与常见的使用语义分割算法实现车道线检测的范式不同，本文提出的车道线检测范式是将图片 ROI 区域分割成若干像素块，使用分类的方法判断像素块是否包含车道线。
Algorithm
算法思想
- 将 ROI 区域（通常是一张图片的下半部分，上半部分是天空不包含车道线）分成若干 稀疏的行和稠密的列，论文给出的行数是
18 行 200 列。 - 模型预测每个小格子是否包含车道线，以及包含的车道线属于哪一个车道线实例（主流 benchmark 要求模型预测相邻的 4 条车道线：| |车| |）。
- 对于
CULane数据集，模型输出 shape == (N, 4, 18, 201)，分别表示 18 行 200 列每个格子是否包含车道线（所以是 201 分类），以及包含的车道线的实例编号。 - 加入了一个普通分割辅助任务头加速训练，推理时丢弃，不影响速度。
- 另外除了分类交叉熵损失函数之外，本文加入了两个车道线相关的先验损失函数：
-
基于车道线连续属性：每条车道线的第 i 行和第 i + 1 行应该具有相近的位置。
-
基于车道线相对笔直属性：每条车道线点第 i 行和第 i + 1 行的连线应该和第 i + 1 行与第 i + 2 行的连线共线。
-
部署优化
- 网络末尾使用的高维 FC 层对部署模型加速不利，使用 conv + pixelshuffle（depth to space） 可有效解决。
Thought
- 辅助训练输出头是分割任务的标配
- 结构先验损失函数貌似是个故事，作者开源代码中这两个 loss 的权重都是 0
- 范式很好，可经过部署优化后上车