RESA: Recurrent Feature-Shift Aggregator for Lane Detection

目录

Abstract

Method

Recurrent Feature-Shift Aggregator

Bilateral Up-Sampling Decoder

Experiment

---

Abstract

在本文中，我们提出了一个新的模块并行特征转移聚合器(RESA)，用普通CNN进行初步特征提取后，以丰富车道特征。

它经常向垂直和水平方向移动切片特征贴图，并使每个像素能够收集全局信息。RESA可以通过逐片信息的传播，在具有挑战性的场景中准确地推测车道。

我们提出了一个双边上采样解码器，它结合了粗粒度和细粒度的特征在上采样阶段。它可以将低分辨率特征图恢复到像素级预测。

RESA将首先在垂直和水平方向上切割特征地图，然后让每个切片特征接收到与特定步幅相邻的另一个切片特征。每个像素分几个步骤同时更新，最后每个位置都可以在整个空间中收集信息。这样，信息就可以在特征图中的像素之间传播

因此，RESA可以推断出车道，即使它们被遮挡了。我们添加了不同的步幅来收集不同距离内的特征，

从而缓解了长距离传播过程中的信息丢失问题

RESA有三个主要优点：1)RESA以并行的方式传递信息，从而显著降低了时间成本。2)信息将在RESA中以不同的步伐传递。因此，可以在传播过程中不丢失信息的情况下收集不同的切片特征图。3)RESA功能简单而灵活，可以被

整合到其他网络中。

BUSD有两个分支。一种是捕获粗粒度的特征，另一种是捕获细细节的特征。

contributions

我们提出RESA通过在垂直和水平方向上周期性地移动切片特征图来聚合空间信息。RESA可以很容易地合并到其他网络中，以获得更好的性能。

进一步提出了双边上采样解码器来精心恢复低分辨率的特征图。

Method

我们的模型由三个组成部分组成：编码器、聚合器和解码器。

由解码器进行上采样后，利用输出特征图预测每个车道的存在性和概率分布。采用全连通层进行存在性预测，并进行二值分类。对车道概率分布预测进行像素级预测，这与语义分割任务相同。

Recurrent Feature-Shift Aggregator

Bilateral Up-Sampling Decoder

 

.解码器由两个分支组成，一个是恢复粗粒度特征，另一个是修复细节损失。其结构如图4所示。输入将通过两个分支，并将产生2倍的上采样输出的一半通道数。在通过这些堆叠的解码器块后，由RESA生成的1/8个特征图将被

恢复到与输入图像相同的大小。

Experiment

如图5所示，由于严重的遮挡，分割方法无法保持车道标记的平滑性和连续性。

当我们在RESA中添加更多的方向时，我们可以得到更高的f1-度量。

如表6所示，随着迭代次数的增加，性能会更好。然而，更多的迭代会导致更多的计算时间成本。它是性能和计算资源之间的一种权衡。为了在它们之间取得平衡，我们选择迭代=4作为我们最终的选择。

如表8所示，具有相同核宽度的RESA比SCNN快10倍左右，这使得我们的方法有望应用于实时应用。