论文地址:https://arxiv.org/pdf/1802.05591.pdf
代码链接:https://github.com/MaybeShewill-CV/lanenet-lane-detection
一、论文出发点
1.现有的车道线检测网络鲁棒性不好,只适用于预定义的场景和固定的车道线检测。
2.对于路面的变化不够鲁棒,比如上下坡。
二、论文方法
将车道线检测的问题转换为实例分割问题,每个车道形成自己的实例,可以进行端对端的学习。
论文将实例分割的问题分为两步实现 :语义分割+逐像素向量表示。
首先语义分割对每个像素二分类,包含车道线或背景。然后选择语义分割的一大堆属于车道线的像素,根据他们的另一个分支的向量来进行聚类,得到n条车道线。
三、网络结构
图像首先经过骨干网络得到一个特征图。然后改特征图会经过两个分支。下面的是语义分割分支,得到一个二分类特征图[batch_size,1,W,H],上面的是一个特征图的向量表示[batch_size,C,W,H],我们结合两者的信息对属于车道线的像素,根据其上面分支的结果进行聚类。论文中使用的聚类算法是mean-shift。我们也可以使用其他的聚类算法进行实现。
语义分割的损失函数使用的交叉熵损失函数。
聚类使用的损失函数:同一车道线的像素向量值相近,不同车道线的像素向量值越远越好