车道线检测-E2E_LSFitting 论文学习笔记

24 篇文章 2 订阅
19 篇文章 1 订阅

论文:《End-to-end Lane Detection through Differentiable Least-Squares Fitting》
代码:https://github.com/wvangansbeke/LaneDetection_End2End
材料:https://zhuanlan.zhihu.com/p/94419168

特点

  1. 拟合二次曲线;
  2. 提出 Area Loss(Geometric Loss);

结构:

  1. Deep Network:生成加权像素坐标,在每个像素 i i i 上预测出 ( x i , y i , w i ) (x_i, y_i, w_i) (xi,yi,wi)
  2. Weighted Least-Squares Fitting Module:用于拟合曲线参数 β \beta β

在这里插入图片描述
在这里插入图片描述

补充说明:

X ′ β = Y ′ X ′ = W X Y ′ = W Y X'\beta=Y'\\ X'=WX\\ Y'=WY Xβ=YX=WXY=WY

其中, W W W 是对角阵;
生成 X , Y , W X,Y,W X,Y,W 的过程可以理解为 分割

损失函数

  1. 将车道线映射为 BEV 的损失函数(论文中未描述);
  2. Area Loss
Area Loss

将两条曲线之间的面积最小化:
在这里插入图片描述

定义:

L = ∫ 0 t [ y β ( x ) − y β ^ ( x ) ] 2 d x L=\int^t_0[y_{\beta}(x)-y_{\hat{\beta}}(x)]^2dx L=0t[yβ(x)yβ^(x)]2dx

故,对于二次曲线 y = β 0 + β 1 x + β 2 x 2 y=\beta_0+\beta_1x+\beta_2x^2 y=β0+β1x+β2x2 来说,损失函数为:

L = 1 5 Δ β 2 2 t 5 + 2 4 Δ β 2 Δ β 1 t 4 + 1 3 ( Δ β 1 2 + 2 Δ β 2 Δ β 0 ) t 3 + 2 2 Δ β 1 Δ β 0 t 2 + Δ β 0 2 t L=\frac{1}{5}\Delta\beta_2^2t^5+\frac{2}{4}\Delta\beta_2\Delta\beta_1t^4+\frac{1}{3}(\Delta\beta_1^2+2\Delta\beta_2\Delta\beta_0)t^3+\frac{2}{2}\Delta\beta_1\Delta\beta_0t^2+\Delta\beta_0^2t L=51Δβ22t5+42Δβ2Δβ1t4+31(Δβ12+β2Δβ0)t3+22Δβ1Δβ0t2+Δβ02t

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值