lane Detecion :Decoupling the Curve Modeling and Pavement Regression for Lane Detection

目前车道线检测的三种方案：

point-based

segmentation-based

curve-based:利用贝塞尔曲线（贝塞尔曲线（B′ezier）基础_b′ezier 是什么-CSDN博客），检测起始点和结束点以及曲线参数，将2D车道线当做曲线回归问题。

目前curved-based的方法检测不准确的原因，作者认为并不是因为曲线拟合缺少自由度（也就是曲线方程参数不够），因为过度增加参数可能会过拟合局部车道线而忽略其整体性。但这种方法相较于其他方法的优势在于其整体性。车道线的设计本身也是简单的，连续的。

经过研究发现，现实中出现的Lane的不平整主要是来自于道路的问题

具体方法

在2021年的提出的RESA模块，在提取Lane特征时，在垂直和水平方向上循环移动切片特征图，并使每个像素能够收集全局信息，用于丰富图像信息

这种方法显然增加了对于Lane特征的提取效果，但对于边缘位置的Lane，在水平方向上提取的特征是相同的。而且丢失了高度信息。如下图所示，这将会的模型造成困扰，因此本文使用anchor-based方法提取特征。

本文不使用IPM变换，因为IPM变化会把其变成top view，也就是正面视角，在这个过程中，IPM变换假设该视角是平坦的，而实际上道路是高度是变换的，这样的变换反而增加了噪音。

IPM变换：关于IPM逆透视变换的理解_ipm矩阵逆变换-CSDN博客

输入2DLane图片，利用DLA-34作为backone提取特征，然后定义anchor，获取车道线特征，然后利用ROI Align将特征图池化为固定形状，接下来一部分用于生成curve特征，一部分生成height特征。接下来将他们结合生成3D Lane特征，再将其转化为2D Lane特征。

其中curveFormer用于在BEV空间中，拟合x和z的关系（忽略高度关系）；具体结构如下所示：

ROI feature（前文提到的固定形状特征）作为Query，global feature map作为key 和value；ROI特征有两种编码形式，一种为Position Embedding 包含位置信息；另一种针对每个anchor的可学习的Region-aware Embedding，通过训练使其包含整个车道线的全局信息，最后flatten输出并加入MLP（全连接层）

Height Former具有相同的结构和Curver Former，然后生成point-based的高度特征，接着将高度特征和Lane特征融合，生成3D Lane特征。

本文使用匈牙利匹配算法去匹配不同位置的predict与gt： 

第一部分为predict和GT的水平距离，第二部分和第三部分分别为开始点和终止点的predict和GT的竖直距离

3D车道线的损失函数如下：

我们使用L1损失（深度学习中常见的损失函数（L1Loss、L2loss）_l1 loss-CSDN博客）将预测的Y值与地面实况进行比较，这被称为高度损失Lh。此外，我们使用端点LZ损失来估计起点和终点的Z值之间的误差

其中：

其中e是控制车道半径的超参数，Xi是均匀采样点的对应X值。

对于2D通道，我们采用透视空间中的通道IoU损失Lper和端点损失Lv来估计2D空间中起点和终点的v值之间的误差：