LaneNet代码实现细节以及遗留问题

最近比较忙很久没有维护这里了，可能还是有很多人会有问题，我重新提交了git，地址是https://github.com/stesha2016/lanenet-enet-hnet，如果有问题可以在git上提交，可以一起讨论下。现在这个项目还有一些工作需要继续：

1.聚类的点太多会导致聚类耗时太长，不能达到真正实时的效果。

2.在CULane的数据集上进行训练和测试。

3.可以考虑结合CULane中提到的卷积方式，增强backbone的表达力。

---

本文的代码分析是针对论文《Towards End-to-End Lane Detection: an Instance Segmentation Approach》，我们看论文会发现论文中很难提供所有的代码实现细节，如果作者好心提供了源代码，那么对照源码就可以看出关于所有细节的处理。但是如果作者没有提供源代码，单从论文上来复现，很大的可能会遇到一系列的小问题，会在一些细节的点上被卡住，而没有办法完美复现论文中的效果。

github上有人对这篇论文进行了复现，代码地址实现了论文中大概70%的内容吧，以这个工程的代码为主导来看论文代码的实现。

论文中提到了两部分网络，一个是lanenet，做车道预测，一个是hnet做车道拟合。

Lanenet

LaneNet网络分为两个分支，论文中的segmentation branch是做二分分类判断是否是车道线，对应的就是代码中的binary segmentation；论文中的embedding branch是为了区分不同的车道线，对应的就是代码中的instance segmentation。代码中将这两部分branch的名字稍作改变确实比较好理解。

Binary segmentation

Binary网络

Binary segmentation的backbone部分代码实现了vgg和dense两种网络结构，实际上与论文中的ENet不一样，建议还是要使用ENet作为backbone，因为vgg和dense肯定都无法达到real time的效果。

我参考github上的enet，将Binary segmentation的backbone替换成了enet。

从论文中我们知道Binary这个分支和Instance这个分支公用ENet的前两个stage，后面三个stage是各自不同的。

# shared stages
with tf.variable_scope('LaneNetBase'):
    initial = enet_stage.iniatial_block(input_tensor, isTraining=self._phase)
    stage1, pooling_indices_1, inputs_shape_1 = enet_stage.ENet_stage1(initial, isTraining=self._phase)
    stage2, pooling_indices_2, inputs_shape_2 = enet_stage.ENet_stage2(stage1, isTraining=self._phase)

# Segmentation branch
with tf.variable_scope('LaneNetSeg'):
    segStage3 = enet_stage.ENet_stage3(stage2, isTraining=self._phase)
    segStage4 = enet_stage.ENet_stage4(segStage3, pooling_indices_2, inputs_shape_2, stage1, isTraining=self._phase)