《RCLane：Relay Chain Prediction for Lane Detection》论文笔记

参考代码：RCLane

1. 概述

介绍：在这篇文章中介绍了一种新的车道线描述范式（基于点的车道线建模），也就是通过关键点（文章对应称之为relay points）和关键点之间的关系场构建推理出车道线。具体为文章通过segformer实现车道线二值分割得到分割结果$S$，并同时通过不同的head预测$T$（transfer map，用于确定临近点位置）和$D$（distance map，用于确定终止点），之后在$S$上做point-nms实现车道线上点的确立，以这些点为起点结合$D$和$T$推理出整条车道线。按照这样的思想该算法具有较强的车道线结构适应能力，如分离汇入、弯道场景也能很好建模，目前就公开数据集性能已经超过之前的condlanenet了，还是值得期待完整开源的。

2. 方法设计

2.1 整体pipeline

文章的整体结构见下图所示：

这篇文章是以segformer作为benchmark，并在其基础上添加两个head，分别实现$D$（distance map）和$T$（transfer map）预测工作，也就是对应图中左边半边部分。需要注意的是$T$和$D$预测的都是双向的，这样可以从任意的一个点上进行推理得到整条线。对于推理的起点这里是通过对车道线二值分割结果进行point-nms选择实现的，最后对所有推理出来的线进做IoU-NMS操作得到最终输出结果。因而这篇文章的算法后处理是相对较重的。

2.2 distance map和transfer map的表示

对于这两个map的描述可见下图中的（a）图：

其中${\bar{T}}_f(p_i),{\bar{T}}_b(p_i)$表示的是当前点$p_i$（车道线二值mask上的每一个点）到相邻两个点的affine filed（也就是分别对应的forward和backward方向），${\bar{D}}_f(p_i),{\bar{D}}_b(p_i)$表示的是当前点$p_i$分别到端点的距离。

distance map：
该图描述的是车道线上点到两个端点的距离关系，这里依据车道线点的y坐标划分forward还是backward，具体为最小y坐标值（对应坐标点$p_{end}^f=(x_{end}^f,y_{end}^f)$）和最大y坐标值（对应坐标点$p_{end}^b=(x_{end}^b,y_{end}^b)$）。那么当前点$p_i$对应的distance map标注可以描述为：
D ˉ f ( p i ) = ( x i − x e n d f ) 2 + ( y i − y e n d f ) 2 \bar{D}_f(p_i)=\sqrt{(x_i-x_{end