TCLaneNet: Task-Conditioned Lane Detection Network Driven by Vibration Information

最近刚开始看这方面的论文，对这篇论文理论部分进行了提炼，分享给大家。

期刊：IEEE Transactions on Intelligent Vehicles（2024）

作者：Yan Gong, Xinmin Jiang, Lu Wang*

拟解决问题：车道线遮挡、不良光照条件

主要思想：将车道线检测视为逐像素分类问题，非对整个车道线进行粗略估计；同时利用振动标线产生的震动信号预测车辆是否越过车道线，并通过该特征自适应调整车道线检测网络的权值提高性能。

TCLaneNet由主车道检测分支网络和车道遮挡分类网络（对视觉图像中的车道线进行遮挡和非遮挡分类，并由振动分类网络的结果提供监督，本质是提供一种学习视觉图像与振动信号之间信息映射的手段）分支组成。

论文贡献：

1. 主车道检测分支网络

1）CAMS: 将遮挡分类特征（包含了判断车道是否被遮挡的信息）转换为条件参数(即信道权值)用于自适应车道检测特征。细化车道检测特征。其中，CAM1主要通过卷积运算与ReLU和Sigmoid激活函数实现通道间的非线性交互； CAM2在不降维的情况下，通过跨通道交互捕获FGAP通道之间的依赖关系。

2）上下文空间信息注意模块（ CSIAM）:卷积操作在捕获细长的车道线时感受野是有限的，捕捉车道的整体形状特征。

2. 振动分类模型：

根据安装在车辆上的振动传感器采集到的信号，判断当前车辆是否行驶在振动标线上。流程：从固定长度的振动信号时间序列中提取时域和频域特征向量，使用低通滤波器过滤短期振动信号中的高频杂波，使用0.5秒长度的的时间窗口捕获足够的特征张量，通过逻辑回归模型将信号分类为振动或无振动，并使用标准交叉熵损失对模型进行训练。

3. 提出了基于振动的车道检测数据集（VBLane）。

结论:

  明确指出在检测结果中存在一定程度的假阳性。