论文：Ultra Fast Deep Lane Detection with Hybrid Anchor Driven Ordinal Classification-基于anchor方法

论文名：

Ultra Fast Deep Lane Detection with Hybrid Anchor Driven Ordinal Classification
混合Anchor驱动顺序分类的超快深车道检测

研究问题：

1、效率问题：在受限的车辆计算设备下，执行车道检测算法，需要更快的检测速度。此前的方法主要是基于分割，是自底向上的流水线策略很难实现快速。
2、无视觉线索问题:在严重阻塞和极度照明条件下，无视觉信息是个大问题。车道线偏向扩大感受野来利用更多的信息。

提出："can we find a fast and global formulation having large receptive field for the lane detection task"

研究内容:

1、混合锚系统

2、顺序分类

3、损失函数

实验内容:

主要结论：

混合锚系统+顺序分类流水线能实现显著的速度和准确性。

该算法将车道检测视为，基于全局特征的自顶向下分类的混合锚系统上稀疏坐标的直接学习，有效解决效率和无视觉线索问题。

缺点是：设置多少锚以及在何处放置锚仍然是固定的和手工制作的。自动的、动态的、可旋转的和非均匀的锚点将是更强大甚至更快的方法的潜在方向

模型:

ResNet

理解：

1、无视觉线索问题

2、每种车道的定位精度图示

3、行锚系统的图示

4、混合锚下的车道表示

5、放大定位误差问题

1、理想定位误差是不可避免的，原因可能是网络模型偏见、注释者标注引入的错误
2、当锚跟车道线呈现非垂直关系，其定位误差会被放大，即\(\frac{2\epsilon}{sin\theta}\)
 特别，当成平行关系时，最难定位。
3、所以，以四条车道线来说，从行锚视角，ego lane定位效果好；从列锚角度，side lane定位效果好；从而引入hybrid anchor，即从行锚取ego lane，列锚取side lane.

6、网络体系结构图示

7、期望损失图示

8、行锚和传统分割图示

行文结构梳理：

Abstrct:现有方法主要集中在(像素分割)+缺陷(复杂场景)+(通过观察)提出一种高效方法（针对缺陷）+方法过程（anchor驱动思想）+ 表现性能好
1.Introduction：现有问题（效率问题+无视觉线索问题）+引出问题（find a.. for the lane detection task）+ 提出方法（row-anchor-driven representation+基于分类学习锚坐标）+row/column-anchor的问题（放大的定位错误问题）+改进至（混合锚,同时优化ego,side lane）+学习坐标回归不太行（用顺序分类方法）+两个loss函数实现顺序分类+总结成三点
2.Related Word:
 2.1.Lane Detection with Bottom-up Modeling:介绍了许多自底向上的建模方法
 2.2.Lane Detection with Top-down Modeling：介绍了许多自顶向下的方法，
3.Ultra fast lane detection
 3.1.Lane Representation with Anchors:将车道线用一系列坐标表示，其坐标为车道线跟锚的交叉点
 3.2.Anchor-driven Network Design：通过分类去学习行锚、列锚上的目标；方法是分成P和E分支，P分支是多分类策略，E分支是二分类策略
 3.3.Ordinal Classification Losses：在分类上，引入连续关系，成为连续分类问题，和后面的期望损失相对应；采取交叉熵损失和期望损失（P和E分支各一个），最总损失函数，是各损失函数的权重和。\(L=L_{cls}+\alpha L_{exp}+\beta L_{ext}\)
 3.4.Network Inference:定位车道线的阐述，E分支过滤缺失车道线，P经过softmax函数映射成一个向量，对通过预测分布的数学期望对向量处理得到位置。
 3.5.Analysis and Discussion：
4.Experiment
 4.1.Experimental Setting：采用的数据集，评估标准，细节，数据增强等
 4.2.Ablation Study
 4.3.Results：具有更快的速度
5.Conclusion