PINet: Key Points Estimation and Point Instance Segmentation Approach for Lane Detection 论文笔记

最新推荐文章于 2024-08-16 08:30:44 发布

Tianchao龙虾

最新推荐文章于 2024-08-16 08:30:44 发布

阅读量747

点赞数 1

分类专栏：车道线检测论文笔记文章标签：深度学习神经网络自动驾驶

本文链接：https://blog.csdn.net/wuchaohuo724/article/details/115748877

版权

车道线检测论文笔记专栏收录该内容

3 篇文章 0 订阅

订阅专栏

本文介绍了一种创新的车道线检测方法，基于Hourglass网络生成车道线上的精确点，通过点云实例分割解决聚类问题。提出的方法有效降低了假阳性，后处理算法则用于去除冗余点。文章还讨论了数据增强和实验结果，展示了在TuSimple数据集上的应用与优化潜力。

摘要由CSDN通过智能技术生成

Key Points Estimation and Point Instance Segmentation Approach for Lane Detection

论文链接： https://arxiv.org/abs/2002.06604

一、Problem Statement

目前的车道线检测存在着一些缺陷，比如只能检测有限的车道线，较高的 false positive(检测不到车道线)。

二、Direction

提出了一个可以检测任意车道数的网络，并且这个网络具有低的false positive。这个网络可以输出车道线上的实际点，所以把这些生成的点的聚类问题当成是点云实例分割问题,因此提出的模型是segmentation based method。并提出后处理算法消除杂点。

三、Method

一、 Lane Instance Point Network

既然是网络的输出是车道线上的点，网络的基础结构就使用了hourglass network。首先其输入是512x256，然后经过一个resizing层和一个特征提取层。resizing layer使用的是一系列卷积层和池化层。特征提取层使用两个hourglass network。每一个hourglass network block有三个输出分支,分别是confidence, offset,和 feature。

来看一下这个网络的Loss，其包含三个部分:
$L_{total}=aL_{confidence} + bL_{offset} + cL_{feature}$

1. confidence branch

confidence branch 预测每一个单元格的置信度。然后这个值会传递给下一个hourglass block，用来稳定训练。这个分支的loss为:
$L_{confidence}=\frac{1}{N_e}\gamma_e\sum_{g\in G_e}(g^*_c-g_c)^2+\frac{1}{N_n}\gamma_n\sum_{g\in G_n}(g^*_c-g_c)^2$

$N_e, N_n$ 表示存在点或者不存在点的单元格的数量。 $G$ 表示所有单元格， $g_c^*$ 是ground-truth， $g_c$ 是预测值。

2. offset branch

offset branch是用来找到每个点的确切位置。它的值在0-1区间，是相对于每一个单元格(grid)。offset branch有两个通道，分别预测x轴和y轴。
$L_{offset}=\frac{1}{N_e}\gamma_x\sum_{g\in G_e}(g^*_x-g_x)^2+\frac{1}{N_e}\gamma_y\sum_{g\in G_n}(g^*_y-g_y)^2$

3. feature branch

这个分支的训练是用来使具有相同实例的网格特征更接近，不同实例的特征距离更远，是一个聚类的过程。看一下它的loss:
$L_{feature}=\frac{1}{N_e^2}\sum_i^{N_e}\sum_j^{N_e}l(i.j)$
$l(i,j)=\left\{ \begin{matrix} ||F_i-F_j||_2 & if &C_{ij}=1\\ max(0,K-||F_i-F_j||_2) & if & C_{ij}=2\\ \end{matrix} \right.$
其中 $C_{ij}$ 表示点 $\Large i,j$ 是否是同一个实例，如果是同一个实例，则等于1，否则为2。 $F_i$ 表示输出的特征点。 $K > 0$ 是一个常量。然后使用简单的distance based 聚类算法区分点的类别。