原文地址:https://arxiv.org/abs/2004.11757
将车道线检测看作一个利用全局特征进行row-based selecting 的问题。
Introduction
- 车道线检测分为传统图像处理方法和深度分割方法。需要实时性,因此需要低计算量的算法。
- 车道线检测的另一个难点是复杂场景例如severe occlusion或者是extreme lighting conditions。对于这个问题需要更高水平的语义分析。
- 已有的分割方法不能利用车道线的先验知识(例如rigidity and smoothness)
How
Specifically, our formulation is proposed to select locations of lanes at predefined rows of the image using global features instead of segmenting every pixel of lanes based on a local receptive field,
- 利用全局信息,在predefined rows的anchors上面进行选择,而不是利用局部感受野分割每一个pixel。同时,因为利用了全局信息还可以帮助解决no-visual-clue问题。
- 提出一个structural loss,显式地利用了车道线的先验知识。
New formulation for lane detection
在模型中,车道线被看作是一系列水平坐标点构成的,每个坐标点在预先定义的行中,这些rows被看作是row anchors。首先需要把图片gridding,每个row anchor中,location被划分为许多个cells,车道线检测也就变成了在row anchors里面选择合适的cell,拼接成一条车道线。
P i , j = f i j ( X ) , i ∈ [ 1 , C ] , j ∈ [ 1 , h ] , P ∈ R C × h × ( w + 1 ) P_{i,j} = f^{ij}(X), i \in [1,C], j\in[1,h], P\in R^{C \times h \times(w+1)} Pi,j=fij(X),i∈[1,C],j∈[1,h],P∈RC×h×(w+1)
C是车道线数量,h是预先设定的row anchors的数量,w是每个row包含的cells数量。也就是说,对每条线的每一行,每个cell属于这条线的概率。同时,target可以表示成
T ∈ R C × h × ( w + 1 ) T \in R^{C \times h \times (w+1)}