LaneATT-Keep Eyes on the Lane:Real-time Attention-guided Lane Detection-概述

文章信息

原文：链接
源码：GitHub

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

3.proposed method