1.参考链接
讲解1、
总结思路:(不同的分割,聚类的方法,还有透视变换的训练)
通过实例分割和二元分割图,进行聚类提升了分割和的标准,这里注意到我们不仅是用了分割的不同方法,我们还有无监督学习的聚类思想。接着在车道线拟合方面,我们训练了一个具有自定义损失函数的神经网络H-Net:网络是优化的端到端地以预测透视变换H的参数,其中变换后的车道点可以最佳地拟合为二阶或三阶多项式。预测以输入图像为条件,允许网络在地面变化下调整投影参数,使得车道配置仍然是正确的(参见图4的最后一行)。在我们的例子中,H有6个自由度:置零以强制执行约束,即水平线在变换下保持水平。这段话虽然废话很多但是就是总的来说就是透视变换的参数也是训练出来的,所以一般的图像透视变换的结果都不会太好的。
使用由H-Net生成的转换矩阵,该转换矩阵针对车道拟合进行了优化,结果优于通过固定转换的车道拟合。我们不仅获得了更好的MSE得分,而且无论地平面的坡度是否发生变化,使用这种方法都可以让我们得到所有点。