论文《LaneAF》提出了一种利用Affinity Field进行车道线检测和实例分割的方法，解决了现有算法无法处理任意数量车道线的问题。网络结构包括二值分割、垂直和水平Affinity Field输出，通过后处理聚类实现实例分割。实验结果显示，LaneAF在TuSimple和CULane数据集上表现出色，能准确分离接近的车道线实例。
论文：https://arxiv.org/abs/2103.12040
开源代码：https://github.com/sel118/LaneAF
0
动机
车道线检测对于辅助驾驶、自动驾驶至关重要。全球范围内多种多样的车道线以及复杂的道路场景均对车道线检测算法提出了很大的挑战。
使用逐像素二分类的方法是检测车道线的主流方法，然而，二分类的输出结果并不能将不同的车道线分开；虽然有一些聚类或者实例分割的方法能够区分不同的车道线，但是它们都有最大车道线检测数量的限制。上述原因阻碍了车道线检测算法的落地。
作者提出了LaneAF算法，该方法利用Affinity Field结合二分类分割的方法进行车道线检测和实例分割，该方法性能好，且能检测数量变化的车道线。
01
算法结构
网络整体结构如下图所示：
使用DLA-34作为Backbone，网络输出二值的分割结果、Vertical Affinity Field(VAF)和Horizontal Affinity Field(HAF)。
使用HAF、VAF，结合二值分割结果，能够在后处理中对任意数量的车道线进行聚类，得到多个车道线实例。
02
Affinity Field
给定图像中的每个位置 ，HAF和VAF为每个位置分配一个向量，将HAF记作 ，将VAF记作 。
2.1 如何构建Affinity Field
使用ground truth构建HAF和VAF，将ground truth到HAF和VAF的映射函数分别记作 和 。
对于图像第 行中车道线 所包含的每个点
最低0.47元/天 解锁文章
扫一扫
5192
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
