【基于深度学习的车道线检测算法】论文简述

一、图的相似度计算

 

 

 

1、点向量&图向量的计算：

1. 图中的点，通过GCN来变化成向量；
2. 点的向量和图的突出特征进行点乘；
3. 点乘的结果是各个点对于图的所占权重；
4. 点向量乘以对应权重，然后累加，最后的结果即为图的向量；

2、类似SVD的分割算法：

1. 假设【100W X 1000W】的图像太大了，所以分割成两个图像；
2. 分别是【100W X 10】和【10 X 1000W】；
3. 从而减小计算量；

3、通过padding进行归一化填充，使得计算的图像向量大小一致；

4、图中提取最重要的几个特征进行计算；

5、图与图之间的关系

1. 提取出主要的几个特征；
2. 通过矩阵表示图之间的关系；
3. 把图之间关系以直方图形式表示；
4. 把直方图的值作为向量输出；

6、全连接层

把图向量和图之间关系的向量拼接起来，作为新的输入向量，输入的全连接层中，得到想要的结果；

 

二、车道线检测算法

 

1、数据集

 由于原型数据集过大，本项目中只选取具有代表性的几个DEMO进行训练；

2、数据增强

3、标签延申

4、标签与输出结果

 【4，18】可以作为超参数进行调整；

5、算法流程

 

 

算法需求是要求快速且精准；

但若要全部进行分割，则时间代价过大；

因此只在训练阶段进行分割，在模型部署应用后，只参考训练后的结果，不进行分割；

 

6、任务分析

 

7、分类任务

 200+1=201，最后一个1代表本行中没有车道线；

 

8、损失函数

 

 

PS

1、GCN（Graph Convolutional Network，图卷积神经网络）如何对点进行编码？

GCN的核心思想是通过多层图卷积操作，将节点的特征与其邻居节点的特征进行聚合和变换。

2、SVD是什么？

奇异值分解（Singular Value Decomposition）是线性代数中一种重要的矩阵分解，也是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域。

3、padding是什么？

padding是指在输入数据的边界添加额外的数据，通常是为了调整输入数据的尺寸或形状，从而影响输出的尺寸。‌ Padding的主要目的是为了解决卷积层或池化层等操作对输入尺寸的影响，特别是在多层网络中，希望保持尺寸的一致性‌。

4、图像尺寸

机器学习图像处理中，通常使用“长x宽”的格式来表示图像的尺寸‌。例如，一个图像的尺寸为300x100，表示其宽度为100像素，长度为300像素‌。