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。
- [论文极简笔记]SCNN-Spatial As Deep: Spatial CNN for Traffic Scene Understanding
- [论文极简笔记] Towards End-to-End Lane Detection: an Instance Segmentation Approach
- [论文极简笔记] LineNet: a Zoomable CNN for Crowdsourced High Definition Maps Modeling in Urban Environm
- [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