文章信息
0.Abstract
论文主要的贡献
- 提出LaneATT,基本达到目前的sota(在性能和效率两方面),这是一个基于anchor的深度车道线检测网络
- 考虑全局特征-使用注意力机制生成全局特征然后与局部特征融合(原因:车道线遵循规律的pattern,并且高度相关
- 在三个当前最广泛使用的车道线检测数据集上进行评估
- 进行了消融实验,证明了想法的正确性
1.Introduction
- 当前车道线检测面临的问题:要达到实时检测并且要有很好的鲁棒性
- 传统的方法(hough lines)->深度学习方法:图像分割/深度多项式回归
- backbone的选择要相对轻量级
2.Related work
- 主要分为两种方法
- 分割-生成分割图,进行后处理解码为一系列lanes
- row-wise classification–将图像分为网格,对于每一行,模型预测出最有可能包含lane marking部分的cell,对于每一个可能的lane都要进行这一系列操作,也需要后处理步骤进行lanes的重建
- 其他方向
- learning-based approach -不需要聚类后处理
- 深度多项式回归-对类别不平衡敏感
- others
- 可复现性方面
multiply-accumulate operations(MACs):累乘操作次数
frames-per-second(FPS):每秒可检测多少帧