车道线检测-PolyLaneNet 论文学习笔记

• 论文：《PolyLaneNet: Lane Estimation via Deep Polynomial Regression》
• 代码：https://github.com/lucastabelini/PolyLaneNet
• 地址：https://arxiv.org/pdf/2004.10924.pdf
• 参考：https://blog.csdn.net/sinat_17456165/article/details/107171888
• 利用 CNN，基于三次曲线拟合车道线

模型的输入与输出

输入

单张车辆前向图

输出

曲线参数 P j = { a k , j } k = 0 K \mathcal{P}_j=\{a_{k,j}\}^K_{k=0} Pj​={ak,j​}k=0K​、地平线高度 $h$、车道线的存在性 $c_j$、车道线起始高度 $s_j$（见下图）

其中，曲线参数确定了车道线的形状：

$$p_j(y)={\Sigma }_{k=0}^K{a}_{k,j}{y}^k$$

模型结构

backbone + fully connected layer

f ( I ; θ ) = ( { P j , s j , c j } j = 1 M m a x , h ) f(I;\theta)=(\{\mathcal{P}_j,s_j,c_j\}^{M_{max}}_{j=1}, h) f(I;θ)=({Pj​,sj​,cj​}j=1Mmax​​,h)

损失函数

L ( { P j } , h , { s j } , { c j } ) = W p L p ( { P j } , { L j ∗ } ) + W s 1 M Σ j L r e g ( s j , s j ∗ ) + W c 1 M Σ j L c l s ( c j , c j ∗ ) + W h L r e g ( h , h ∗ ) \begin{aligned} L(\{\mathcal{P}_j\},h,\{s_j\},\{c_j\})&=W_p L_p(\{\mathcal{P}_j\},\{\mathcal{L}^*_j\})\\&+W_s\frac{1}{M}\Sigma_j L_{reg}(s_j,s^*_j)\\&+W_c\frac{1}{M}\Sigma_j L_{cls}(c_j,c^*_j)\\&+W_h L_{reg}(h,h^*) \end{aligned} L({Pj​},h,{sj​},{cj​})​=Wp​Lp​({Pj​},{Lj∗​})+Ws​M1​Σj​Lreg​(sj​,sj∗​)+Wc​M1​Σj​Lcls​(cj​,cj∗​)+Wh​Lreg​(h,h∗)​

其中，

L p ( { P j } , { L j ∗ } ) = L r e g ( x j , x j ∗ ) L_p(\{\mathcal{P}_j\},\{\mathcal{L}^*_j\})=L_{reg}(\pmb{x}_j,\pmb{x}^*_j) Lp​({Pj​},{Lj∗​})=Lreg​(xj​,xj∗​)
$$x_j=[x_{1,j},...,x_{N,j}]$$
$$x_{i,j}=\{\begin{array}{l}{p}_j(y_{i,j}^{\ast }),if|p_j(y_{i,j}^{\ast })-x_{i,j}^{\ast }|>{\tau }_{loss}\\ 0,otherwise\end{array}$$

注意这里的0，可以这样理解：设置0之后，就不用计算对应位置的 grad 了。