車道線檢測-PolyLaneNet 論文學習筆記

• 論文：《PolyLaneNet: Lane Estimation via Deep Polynomial Regression》
• 代碼：https://github.com/lucastabelini/PolyLaneNet
• 位址：https://arxiv.org/pdf/2004.10924.pdf
• 參考：https://blog.csdn.net/sinat_17456165/article/details/107171888
• 利用 CNN，基于三次曲線拟合車道線

模型的輸入與輸出

輸入

單張車輛前向圖

輸出

曲線參數 P j = { a k , j } k = 0 K \mathcal{P}_j=\{a_{k,j}\}^K_{k=0} Pj​={ak,j​}k=0K​、地平線高度 h h h、車道線的存在性 c j c_j cj​、車道線起始高度 s j s_j sj​（見下圖）

其中，曲線參數确定了車道線的形狀：

p j ( y ) = Σ k = 0 K a k , j y k p_j(y)=\Sigma^K_{k=0}a_{k,j}y^k pj​(y)=Σk=0K​ak,j​yk

模型結構

backbone + fully connected layer

f ( I ; θ ) = ( { P j , s j , c j } j = 1 M m a x , h ) f(I;\theta)=(\{\mathcal{P}_j,s_j,c_j\}^{M_{max}}_{j=1}, h) f(I;θ)=({Pj​,sj​,cj​}j=1Mmax​​,h)

損失函數

L ( { P j } , h , { s j } , { c j } ) = W p L p ( { P j } , { L j ∗ } ) + W s 1 M Σ j L r e g ( s j , s j ∗ ) + W c 1 M Σ j L c l s ( c j , c j ∗ ) + W h L r e g ( h , h ∗ ) \begin{aligned} L(\{\mathcal{P}_j\},h,\{s_j\},\{c_j\})&=W_p L_p(\{\mathcal{P}_j\},\{\mathcal{L}^*_j\})\\&+W_s\frac{1}{M}\Sigma_j L_{reg}(s_j,s^*_j)\\&+W_c\frac{1}{M}\Sigma_j L_{cls}(c_j,c^*_j)\\&+W_h L_{reg}(h,h^*) \end{aligned} L({Pj​},h,{sj​},{cj​})​=Wp​Lp​({Pj​},{Lj∗​})+Ws​M1​Σj​Lreg​(sj​,sj∗​)+Wc​M1​Σj​Lcls​(cj​,cj∗​)+Wh​Lreg​(h,h∗)​

其中，

L p ( { P j } , { L j ∗ } ) = L r e g ( x j , x j ∗ ) L_p(\{\mathcal{P}_j\},\{\mathcal{L}^*_j\})=L_{reg}(\pmb{x}_j,\pmb{x}^*_j) Lp​({Pj​},{Lj∗​})=Lreg​(xj​,xj∗​)

x j = [ x 1 , j ,   . . . ,   x N , j ] \pmb{x}_j=[x_{1,j},\ ...,\ x_{N,j}] xj​=[x1,j​, ..., xN,j​]

x i , j = { p j ( y i , j ∗ ) ,      i f   ∣ p j ( y i , j ∗ ) − x i , j ∗ ∣ > τ l o s s 0 ,                o t h e r w i s e x_{i,j}=\begin{cases}p_j(y^*_{i,j}),\ \ \ \ if\ |p_j(y^*_{i,j})-x^*_{i,j}|>\tau_{loss}\\ 0,\ \ \ \ \ \ \ \ \ \ \ \ \ \ otherwise \end{cases} xi,j​={pj​(yi,j∗​),    if ∣pj​(yi,j∗​)−xi,j∗​∣>τloss​0,              otherwise​

注意這裡的0，可以這樣了解：設定0之後，就不用計算對應位置的 grad 了。