Eigenlanes-29-Mar/2022-anchor

中心思想

能够在基于anchor的检测框架中可靠的处理弯曲和直线车道。
1 首先，通过在训练集中执行车道的低秩近似来构造特征车道空间。基于奇异值分解（SVD）的低秩近似性质，近似一个包含训练集中所有车道的车道矩阵。
2 其次，在特征车道空间中对车道进行聚类生成候选车道，包括复杂车道和候选车道。
3 最后，给定一幅图像，利用SIIC-Net从候选车道中确定最优车道集。自车道识别（SI）模块和车道间相关（IC）模块。SI计算每个候选车道的分类概率和回归偏移量，IC估计每对车道之间的兼容性。

算法结构如图所示

整体流程

1 SI module：Self_lane identification，自车道识别，计算每个候选车道的分类该率和回归偏移量
2 IC module：Inter_lane correlation，车道间相关性，估计每对车道间的兼容性
3 ResNet18作为Encoder，提取特征
4 Ultra fast structureaware deep lane detection(辅助分支)作为decoder,生成二进制分割map。
5 NMS： 进行T次，选出T条有价值车道线。
6 MWCS：确定最优车道集

简单来说

1 基于training set中的lane Low_rank approximation来获得特征车道

2 通过特征车道的线性组合来近似每个车道

rank-M approximations

3 通过在特征车道空间中利用kmeans算法对车道进行聚类，生成候选车道

4 筛选出候选车道，分为直线和曲线候选集

5 SIIC-Module

（a）输入原图像
（b）SI模块和NMS模块筛选出TOP-10条车道线候选集
（c）and （d）MWCS确定最优车道，使用来自SI模块的回归偏移量来细化车道