LSTR 效果复现踩坑

论文链接：https://arxiv.org/pdf/2011.04233.pdf
论文出处：WACV2020
论文代码：https://github.com/liuruijin17/LSTR
研发团队：西安交通大学人工智能与机器人研究所

过程踩坑：

1. 基于tusimple 数据集从零训练训练，过程中出现 loss 下降至一个局部最优解，此时loss 在15 附近，无法继续收敛下降 。
   原因分析： 使用的Adam 优化器，batch_size=8, lr 从1 ，开始，想法是开始用大学习率让loss 快速下降，缩短训练时间， 学习率衰减0.1, 0.01， 0.001, 0.0001 ， 当较大学习率训练震荡时，而且没有充分训练，在同一个学习率下没有达到epoch 就简单认为震荡直接调到1/10 的学习率，很可能直接收敛到很差的局部最小值点，而后面的学习因为学习率已经被降低，就再也跳不出去了。。。

在使用adam 优化器时，最好从默认 lr = 0.001 开始，同级学习率下训练要充分epoch合适，batchsize_size 调至16，loss跳出坑，复现达到论文的效果。

使用Adam优化器可以设置很高的学习率吗？

2.训练过程中测试与 训练完成后测试的可视化效果差别非常大

3.不同远近端加权loss 方式对训练和结果的影响
由于LSTR 是基于原图（透视图）对车道线进行检测拟合， 本质是最小二乘法， 因为近多远少（标注是平均标注）导致车道线的检测近端拟合效果要好于远端， 远端（尤其是弯道）拟合并不好，偏差比较大。想通过对远近端不同位置的loss 进行加权来调节增强对远端的拟合能力
a.简单除暴 递增式 【1，2,3,4,5…56】
b. 【1，2,3,4,5…56】/56
c.【1，2,3,4,5…56】/(56**0.5)
d. (1，2,3,4,5…56】/56)**0.5
e.[1,1,1,1,1,1,1,…1,222222,33333,4444,555,66,7,8]**0.5
f. .[1,1,1,1,1,1,1,…1,222222,33333,4444,555,66,7,8]**0.3

理解了很多地方用 C**0.5 做调节因子的原因， 分布限制在合理范围，分布更合理。[有效实用性高]

4.非共享曲率参数与共享曲率参数的差异。