基于resnet-18的轻量型车道检测研究
基于resnet-18的轻量型车道检测研究
- 1.论文介绍以及实验
- 2.参考内容
论文2: Ultra Fast Structure-aware Deep Lane Detection
官方代码地址:https://github.com/cfzd/Ultra-Fast-Lane-Detection
该论文的轻量型模型以Resnet-18为底。
1.论文介绍以及实验
论文方法:将车道线检测定义为寻找车道线在图像中某些行的位置的集合,即基于行方向上的位置选择、分类(row-based classification),而分割是逐像素上channel(通道)维度的选择。该文把车道线检测问题看作基于全局图像特征的行搜索问题(row-based selecting method based on global image features)实际上就是在图像中预先定义多个row anchor,把每一个anchor都gridding为多个cell,通过预测每一cell中车道线的存在概率,实现车道线检测。
参考内容:https://zhuanlan.zhihu.com/p/157530787,原作者的检测示意图。
在图森数据集中,作者设置的row_anchor = [64-284],其中区间高度为4。
其中图森数据集制作以及训练过程参考上一篇博客:https://blog.csdn.net/han422858897/article/details/121139486
下面来展示该论文在本地的实验结果。
硬件参数如下:CPU为i5-9400f,GPU为NVIDIA 1650 4g,内存为16G
论文2训练30个epoch,batchsize=6,损失曲线如下:
可以看出损失曲线没有达到收敛,但是测试已经达到了不错的效果。
论文2:Res18-Ours
精度:95.34%
速度:88.82FPS
图森数据集评估流程:
1.利用最小二乘找到真实车道线和平面的夹角,并将角度值返回
def get_angle(xs, y_samples): #获取车道线与平面的夹角xs, ys = xs[xs >= 0], y_samples[xs >= 0]if len(xs) > 1:LaneEval.lr.fit(ys[:, None], xs) #fit最小二乘符合k = LaneEval.lr.coef_[0]theta = np.arctan(k) #根据横纵座标求角度else:theta = 0return theta
2.获取真实阈值
threshs = [LaneEval.pixel_thresh / np.cos(angle) for angle in angles]
3.根据真实阈值判断该点是否属于预测正确点,是记为1,不是记为0.
np.where(np.abs(pred - gt) < thresh, 1., 0.
4.根据阈值范围内的个数比上真实点的个数,来计算实际精度
np.sum(np.where(np.abs(pred - gt) < thresh, 1., 0.)) / len(gt) #len(gt)表示真实点的个数
论文2:Res18-Ours预测结果可视化
论文2:Res18-Ours与官方数据的对比
可以看出,虽然论文2的Res18-Ours在训练30个epoch后,虽然还没有收敛,但是已经可以在精度和速度表现出超出论文1的lanenet的效果。
2.参考内容
官方代码链接: https://github.com/cfzd/Ultra-Fast-Lane-Detection
论文作者知乎连接: https://zhuanlan.zhihu.com/p/157530787
基于resnet-18的轻量型车道检测研究相关推荐
- 轻量型目标检测算法总结
近两年目标检测算法发展非常的快,恍惚一看,单阶段算法几乎统一了目标检测,各种高性能的目标检测算法层出不穷,印象中是在YOLOv4出来后,基于YOLO的改进变得一发不可收拾,各种改进版本精度越来越高.速 ...
- 百度:YOLOX和NanoDet都没我优秀!轻量型实时目标检测模型PP-PicoDet开源
作者丨happy 编辑丨极市平台 导读 百度提出新型移动端实时检测模型PP-PicoDet.本文对anchor-free策略在轻量型检测器中的应用进行了探索:对骨干结构进行了增强并设计了一种轻量 ...
- 【深度学习】百度:YOLOX和NanoDet都没我优秀!轻量型实时目标检测模型PP-PicoDet开源...
作者丨happy 编辑丨极市平台 导读 百度提出新型移动端实时检测模型PP-PicoDet.本文对anchor-free策略在轻量型检测器中的应用进行了探索:对骨干结构进行了增强并设计了一种轻量Nec ...
- 基于轻量型Web服务器Raspkate的RESTful API的实现
在上一篇文章<Raspkate - 基于.NET的可运行于树莓派的轻量型Web服务器>中,我们已经了解了Raspkate这一轻量型Web服务器,今天,我们再一起了解下如何基于Raspkat ...
- Raspkate - 基于.NET的可运行于树莓派的轻量型Web服务器
最近在业余时间玩玩树莓派,刚开始的时候在树莓派里写一些基于wiringPi库的C语言程序来控制树莓派的GPIO引脚,从而控制LED发光二极管的闪烁,后来觉得,是不是可以使用HTML5+jQuery等流 ...
- 改进Mahmood 等提出的基于椭圆曲线的轻量型的的认证协议
改进Mahmood 等提出的基于椭圆曲线的轻量型的的认证协议 1.初始阶段 1.旧版 1.改进(无) 2. 注册阶段 1.旧版 2.改进 3. 用户间认证与建立临时会话密钥阶段 1.旧版 2.改进 4 ...
- 【深度学习】Transformer 向轻量型迈进!微软与中科院提出两路并行的 Mobile-Former...
作者丨happy 编辑丨极市平台 导读 本文创造性的将MobileNet与Transformer进行了两路并行设计,穿插着全局与特征的双向融合,同时利用卷积与Transformer两者的优势达到&qu ...
- 轻量型模型比肩千亿大模型,新一代中文语言模型孟子,刷新CLUE纪录!
转自:机器之心 近日,澜舟科技 - 创新工场团队与上海交通大学.北京理工大学等单位联合研发的中文语言模型-孟子轻量型模型,超越腾讯.搜狗等公司,在中文语言理解评测 CLUE 榜单上登顶第一,刷新业界记 ...
- 轻量型「孟子」模型比肩千亿大模型!AI大牛周明率队刷新CLUE新纪录
AI 科技评论报道 编辑 | 陈大鑫 近日,澜舟科技-创新工场团队与上海交通大学.北京理工大学等单位联合研发的中文语言模型-孟子轻量型模型,超越腾讯.搜狗等公司,在中文语言理解评测CLUE榜单上登顶第 ...
最新文章
- C#利用Graphics类绘制进阶--实现图片等比例缩放
- 16汇编 and和or实现大小写转换
- php保存附件到指定服务器,如何在PHP中将电子邮件附件保存到服务器?
- 目录浏览控件fbd c# 1614612744
- LSI阵列卡在线扩容
- Java-模拟KTV点歌(控制台程序)
- 脏读、不可重复读与幻读和spring事务传播方式
- 油猴脚本管理器的超详细下载安装使用教程—— 个性化浏览器
- 曲速未来 揭示:发现假EOS钱包窃取用户资金
- Python(爬虫篇)--- 验证码破解【二】滑块验证码
- 201671010447杨露露 实验二词频统计软件项目报告
- 微信小游戏跳一跳外挂辅助程序
- DataHunter完成千万级A轮融资 打造数据协作平台
- echarts 世界地图 国家 中英文数据 nameMap
- OpenCV官方教程中文版
- 天翼云服务器共享文件夹,天翼云Windows操作解答
- html5如何将图片堆叠代码,css实现图片堆叠效果的方法介绍
- java po vo bo是什么以及_JAVA中(PO,VO,TO,BO,DAO,POJO)分别是指什么
- Python 图算法系列13-cypher 查询以及模糊查询
- 一个基于雾里看花的BLDC电机驱动案例
热门文章
- JMeter外观配置与汉化
- php网上书城答辩的问题,网上书城毕业论文(答辩).doc
- 企业SaaS模式的优缺点
- 鸿蒙珠传承现代,鸿蒙珠-从灵珠开始万界修炼-话本小说网
- BCC – 用于Linux性能监视,网络和更多的动态跟踪工具
- 计算机表格数据怎么样汇总,excel中如何将不同表格中的统一数据汇总求和《》...
- python 读取文件时报错UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xaf
- 对云计算时代软件技术发展的若干思考和实践和软件工程技术思索 读后感
- 创业公司分配股权时,如何计算每个人的贡献?
- labview简单教程一:什么是labview