车道线检测原理分析

一：车道线检测应用背景

解释一堆，不如图片来的直观。顾名思义，就是利用深度学习算法，检测出图片中的车道线。不同于传统算法，深度学习检测算法EndtoEnd，效果也好出许多。

二：训练数据集介绍

选用比较经典的车道线检测数据集CULane，重点是made in beijing！! 那必须得用用了啊。

三：网络模型

本篇文章的参考模型选自CVPR2021的Ultra Fast Structure-aware Deep Lane Detection，网络简单，实时性强的同时效果也很好。

如图可见，该模型由两部分组成，主分支和辅助分支。有一定了解的同学应该知道，辅助分支就是主流的一种解决车道线检测的图像分割算法，但作者实际上只是用图像分割来辅助训练，提高网络学习的性能。
训练的时候是两个分支一起训练，从不同角度训练网络，提升其整体性能，但是测试时，网络只保留主分支，提高了模型运行速度。这就是论文作者的一大创新点，一个字“贪”，但确实有效啊，思想值得学习。
接下来，我将分模块分析主分支的网络结构。

Part1：Row-anchor和Gridding-cell的引入

主分支的核心思想就是row anchor的引入，什么意思呢？传统的算法是就每一个像素点进行图像分割后分类，但是往往计算量巨大，不能满足实际运用时的实时性。所以作者从训练集上，取出了18组行先验框。
举个例子，图像时300×2000，那么我们在列上取18个像素[100,103,135,200,…]，一个列像素对应的一行就是一个row anchor了，一个框里包含了3000个像素。接下来，作者又将一个行先验框中的3000个像素划分成了200个gridding cells，最后预测的时候只预测cell，这样大大减少了计算量。

Part2: 训练标签的标注

由part1可见，原先的像素单元其实都转换成了cell单元。那么自然，做标注时，只需要看每一条车道线在哪儿一行anchor的哪儿一个cell上。这些操作，实际上就是为了大大提高网络模型速度。计算量的缩减由下图可见：

Part3：损失函数的设计

该模型之所以能够在大量减少计算量的同时，还能保持较高的效果，离不开损失函数的精妙设计，让我们一起来欣赏欣赏：

① 分类损失

分类损失函数选用了Focal Loss：

Focal Loss和传统的交叉熵损失十分相似，但是引入了损失权重系数γ，主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。对于容易训练的数据给予小权重，对于难以分辨的数据给予相对大的权重。这样做，可以更有针对性地训练我们的网络。

② 相似损失

一般的损失函数有上面的就够了，但作者又同时从结构方面考虑了损失。先看损失函数公式：

这里的两个P值其实就是同一条车道线上紧挨着的两个实际cell的概率值，两者相减取L1，目的很简单，就是希望每条车道线上相邻的点能够概率近似，也就有了一种结构近似的感觉。

③ 结构损失

这个损失函数的提出，才是真正的妙笔生花。先看计算公式：

这里的 $Loc$ 指每一条车道线在每一个anchor上对应的cell位置，这里的cell位置不是标签上对应的cell，而是利用训练出的数据计算出的，计算公式见下图：

没有使用传统的 $argmax$ 公式求取每一个anchor框内的概率最大值对应的cell作为 $Loc$，原因有两点：首先，$argmax$ 公式不可导，也就是无法学习。其次，该公式无法体现出同一个anchor中cell间的关系。所以，采用了期望值求取的方式，完美解决了上面的两个弊端。
最后回到这个损失函数，实际上表示着相邻的两组cell间的距离越相等越好。可以理解为最后训练出的cell连接后形成的车道线，更能像条直的。

四：小结

至此，我针对这篇论文进行了简单分析，希望对大家有所帮助。有不懂的地方或者建议，欢迎大家在下方留言评论。

---

我是努力在CV泥潭中摸爬滚打的江南咸鱼，我们一起努力，不留遗憾！