车道线检测-LSTR-论文学习笔记
- 论文:《End-to-end Lane Shape Prediction with Transformers》
- 代码:https://github.com/liuruijin17/LSTR
- 地址:https://arxiv.org/abs/2011.04233v2
- 内容:使用 CNN+Transformer,基于三次曲线拟合车道线
整体结构
模型输出的东西
gt=(k′′,f′′,m′′,n′,bt′′,bt′′′,αt,βt)g_t=(k'',f'',m'',n',b''_t,b'''_t,\alpha_t,\beta_t)gt=(k′′,f′′,m′′,n′,bt′′,bt′′′,αt,βt) 及对应的存在性
以上各量满足:
u′=k′′(v′−f′′)2+m′′v′−f′′+n′+bt′′v′−bt′′′u'=\frac{k''}{(v'-f'')^2}+\frac{m''}{v'-f''}+n'+b''_t v'-b'''_tu′=(v′−f′′)2k′′+v′−f′′m′′+n′+bt′′v′−bt′′′
其中,
- (u′,v′)(u',v')(u′,v′) 为图像像素位置;
- (k′′,f′′,m′′,n′)(k'',f'',m'',n')(k′′,f′′,m′′,n′) 决定了车道线的弯曲程度;
- (αt,βt)(\alpha_t,\beta_t)(αt,βt) 是第 ttt 条车道线的起点;
- (bt′′,bt′′′)(b''_t,b'''_t)(bt′′,bt′′′) 拟合直线部分。
补充:
- n′n'n′ 与 bt′′′b'''_tbt′′′ 具有不同的物理背景,所以文中并没有将其合并。
- 以上公式的各参数具备明确的物理含义,其基于三次曲线,推导过程可参考文中的第 7 节。
预测的车道线与 GT 之间的匹配
使用 Hungarian 算法寻找最佳匹配
- 优化的损失函数:
L=Σi=1N−ω1logpz^(i)(c^i)+1(c^i=1)ω2L1(s^i,sz^(i))+1(c^i=1)ω3L1(α^i,αz^(i),β^i,βz^(i))L=\Sigma^N_{i=1}-\omega_1 \log_{p_{\hat{z}(i)}}(\hat{c}_i)+\mathbf{1}(\hat{c}_i=1)\omega_2 L_1(\hat{s}_i,s_{\hat{z}(i)})+\mathbf{1}(\hat{c}_i=1)\omega_3 L_1(\hat{\alpha}_i,\alpha_{\hat{z}(i)},\hat{\beta}_i,\beta_{\hat{z}(i)}) L=Σi=1N−ω1logpz^(i)(c^i)+1(c^i=1)ω2L1(s^i,sz^(i))+1(c^i=1)ω3L1(α^i,αz^(i),β^i,βz^(i))
求的是 z^=argminzL\hat{z}=\mathop{\arg\min}_z Lz^=argminzL
其中:
- (ci,gi)(c_i,g_i)(ci,gi) 是预测的第 iii 条车道线;
- ci∈{0,1}c_i\in \{0,1\}ci∈{0,1} 是对 预测的第 iii 条车道线 属实情况的预测;
- s^=(u^r′,v^r′)r=1R\hat{s}=(\hat{u}'_{r},\hat{v}'_{r})^R_{r=1}s^=(u^r′,v^r′)r=1R 是车道线 GT(注意这里是对车道线的像素级采样,不是曲线参数 grg_rgr);
- z(i)z(i)z(i) 是指:与 GT 中第 iii 条车道线相匹配的第 zzz 条预测结果。
- NNN 表示在每张图片上预测的车道线的数量,该值大于实际数量,所以在每张图片的 GT 集合中,存在并非车道线的“线”。
- 1(c^i=1)\mathbf{1}(\hat{c}_i=1)1(c^i=1) 是示性函数,当 GT 中第 iii 条车道线属实时,其值为 111,否则为 000。
车道线检测-LSTR-论文学习笔记相关推荐
- 车道线检测-Eigenlanes 论文学习笔记
论文:<Eigenlanes: Data-Driven Lane Descriptors for Structurally Diverse Lanes> 代码:https://github ...
- 车道线检测CondLaneNet论文和源码解读
CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional Convolution Paper:https://a ...
- 活体检测 LGSC 论文学习笔记
论文题目:Learning Generalized Spoof Cues for Face Anti-spoofing 论文链接:https://arxiv.org/pdf/2005.03922.pd ...
- 【深度学习】实战教程 | 车道线检测项目实战,霍夫变换 新方法 Spatial CNN
此文按照这样的逻辑进行撰写.分享机器学习.计算机视觉的基础知识,接着我们以一个实际的项目,带领大家自己动手实践.最后,分享更多学习资料.进阶项目实战,这部分属于我CSDN上的专栏,最后会按照顺序给出相 ...
- 自己小组的一篇 CVPR 2023 车道线检测论文
作者 | Captain Jack 编辑 | CVer 原文链接: https://zhuanlan.zhihu.com/p/614191683 点击下方卡片,关注"自动驾驶之心" ...
- 实战教程 | 车道线检测项目实战,霍夫变换 新方法 Spatial CNN
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 此文按照这样的逻辑进行撰写.分享机器学习.计算机视觉的基础知识,接着我们以一个实际的项目,带领大家自己 ...
- 车道线检测:几何约束联合车道分割和车道边界检测
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 来源 | 知乎@任乾 编辑丨焉知自动驾驶 本文分享了一篇关于车道线检测的论文,其主要创新点在于把车道线 ...
- 速度最快250fps!实时、高性能车道线检测算法LaneATT
CVPR 2021 车道线检测方向论文:Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection . 论文: http ...
- 车道线检测:LSTR论文解析
车道线检测:End-to-end Lane Shape Prediction with Transformers论文解析 1. Abstract 2. Introduction 3. Related ...
- 基于深度强化学习的车道线检测和定位(Deep reinforcement learning based lane detection and localization) 论文解读+代码复现
之前读过这篇论文,导师说要复现,这里记录一下.废话不多说,再重读一下论文. 注:非一字一句翻译.个人理解,一定偏颇. 基于深度强化学习的车道检测和定位 官方源码下载:https://github.co ...
最新文章
- 初学者如何搭建一个自己专属的电子实验室?
- python爬虫案例-python爬虫案例
- python自动提交网页表单_python自动提交表单数据库
- should,would,could,must,might,may,can有什么区别
- 深入探究JFreeChart
- 音视频开发(2)---red5+java打造直播平台系列 初级
- SQLmap学习使用
- (原)ubuntu下cadvisor+influxdb+grafana+supervisord监控主机和docker的containers
- 47 张图带你 MySQL 进阶
- AngularJS+Ionic开发-2.项目结构介绍
- 内存管理单元(MMU)与内存控制器
- 形容计算机技术发展的词,形容技术发展的成语是什么_四字词语 - 成梦词典
- 精选目标检测3——yolo1、yolo2、yolo3和SSD的网络结构汇总对比
- Fernando Torres
- Vuex入门及进阶笔记
- 开关造成的毛刺_令人困扰的DAC输出毛刺消灭记
- Bootstrap登录页面带验证码
- 计算机体系结构 ---- flynn 分类
- 小米面试题:手机分身,电话号码隐藏。
- 【vue】设置网页的标题和图标