AI_eNyu的博客

P.S. 3D-LaneNet中其anchor的表示是在road坐标系下的，其先通过外参转换到road坐标系，再直接将3D坐标投影到x,y平面(即直接去掉z坐标)得到top-view中车道线的坐标点，这种做法在上下坡时，其top-view中的点与通过透视变换得到的透视图中车道线是不相符的，如图b中的蓝线就是在上坡时3D-laneNet得到的投影视图中的车道线，与实际白线是不一致的。，所以在第二阶段模型(本文命名为3D-GeoNet)中，直接使用分割后的输出进行坐标点的预测。处与最近的anchor进行匹配。

3D-LaneNet是ICCV 2019的一篇文章，其主要构造了一个**双通路(dual-pathway)的网络结构，其中一个通路通过相机原始图像实现相机外参(高度和pitch)的学习，另一个通路在俯视图下实现3D车道线的检测，**第二条通路通过第一条通路学习到的外参使用类似。处重合)，所以每个anchor输出三种类型的描述符(c1,c2,d)前两者表示该anchor拟合的不同的中心线(centerline)，d表示该anchor预测的边界线(dlimiter)。的方法实现两条通路之间特征的融合。