自动驾驶笔记之车道线检测 Ultra Fast Structure-aware Deep Lane Detection

网络结构没什么可说的，基本还是沿用特征提取+head的思路

这篇论文主要的贡献在于相比语义分割，可以人工划定对应的row 采样步长，以及每个row对应的块宽度，从而实现针对一个区块进行分类，对性能整体加速非常明显

这里主要记录一下loss的计算过程

 

分类loss：

　　(1) 将特征图按照行高划分为h行

　　(2) 每行单独按照一定宽度切分成w块，对每块做分类，输出以行为单位的概率，与GT计算loss，其中C为第几条车道线

　　  

结构loss：

　　(1) 判断竖直方向概率连续的loss: 由于车道线竖直方向是连续的，因此行与行之间车道线预测概率最大值应该在相邻区域，所以设计一个车道线结构的loss，既竖直方向预测概率的l1距离:

 　　

 

 

　　(2) 线形状约束loss:用二阶差分去约束车道线的形状的变化率

　　　　　① 找到每一个row的最大概率对应的块，但是argmax不可微，所以换一种方式

 　　　　

　　　　　② 引入对每个row对应的position做softmax，再对概率乘以Idx求和，这里会导致正确pos对应的idx与概率的积来主导

　　　　 

　　　　 

　　　　　③ 在数值方向利用上式做二阶差分，差分值越小说明处于同一竖直方向