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

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，$x_i^{}$