laneATT解读

网络结构

简化下网络结构可能更容易理解。
如下图，先不考虑Attention模块（去除红框中的模块），那么这个检测网络其实就是一个双头的网络，一个头分类（代码里2分类），分辨出当前anchor是否预测到了车道线，另一个回归，回归出点离anchor 直线的x方向距离,N_points为图像高度H方向的划分个数,对应代码里的n_offset或者配置中的S(72)。l则为有效offset的个数，毕竟图像上半部分基本都没车道线，通过l则可以丢弃掉无用的点。

anchor的定义

当然更细致的定义可以参考Line-CNN: End-to-End Traffic Line Detection With Line Proposal Unit 这篇文章，他们的定义都很类似。

论文在图像的左右以及图像底边上设置anchor，每侧设置anchor的方向都朝图像内部。每个anchor定义如下：

• anchor的定义
  [negative score, positive score, start_y, start_x, lenght, x0_cord, x1_cord, …]

• anchor cut 和anchor的区别
  anchor定义的点会超出图像的左右边缘，cut则会用左右边缘位置clip这些anchor 点得到anchor cut. 正因为很多anchor点在图像外，所以从backbone feature预测时需要人工强行将图像外的点置零，避免从图像外的anchor点学东西。