[深度学习] 车道线检测调研(lane detection)

背景

车道线检测作为自动驾驶领域的常规工作，在深度学习的浪潮中又有了很大的进步，在此分享我所做的调研工作，部分为ppt截图，为了方便请谅解。

https://github.com/soulmeetliang/Awesome-Lane-Detection

1. [论文极简笔记]SCNN-Spatial As Deep: Spatial CNN for Traffic Scene Understanding
2. [论文极简笔记] Towards End-to-End Lane Detection: an Instance Segmentation Approach
3. [论文极简笔记] LineNet: a Zoomable CNN for Crowdsourced High Definition Maps Modeling in Urban Environm
4. [论文极简笔记] Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks

车道线检测工作的局限性

如上图所示，车道线检测工作的baseline并不明确，不同的方法与不同的场景应用都有各自的局限性。例如：

• 输出类型：mask掩码/点集/矢量线条
• 实例化：每个车道线是否形成实例
• 分类：是否对车道线进行了分类（单白、双黄等）
• 提前定义的参数：是否只能检测固定数量的车道线
• 车道标记：是否对车道上的行车标记也做了检测

性能指标

如上图所示，在评判ture or false时，主要有两种方式：

• end point，通过判断线的端点间的距离及其包围面积是否超过阈值
• IOU，直接计算IOU的重叠面积

工作pipeline

如上图所示，目前的主流方法pipeline分为多阶段与单阶段。

• 多阶段可以分为两个部分，二值语义分割产生掩码图和对掩码图进行线的拟合。其中，二值语义分割主要采用CNN方法，并通过SCNN(Spatial As Deep: Spati