CLRNet Cross Layer Refinement Network for Lane Detection
CLRNet: Cross Layer Refinement Network for Lane Detection
question
Q1论文试图解决什么问题?
- lane detection
Q2这是否是一个新的问题?
- 否
Q3这篇文章要验证一个什么科学假设?
- 利用不同的特征水平对精确的车道检测具有重要的意义,通过进一步借助车道线的高级和低级特征,车道线检测能达到更好的效果
Q4有哪些相关研究?如何归类?谁是这一课题在领域内值得关注的研究员?
- Line-CNN、CondLaneNet、Structure Guided Lane Detection等
- 属于目标检测类
Q5论文中提到的解决方案之关键是什么?
- ROIGather结合上下文,lane IoU loss更好的收敛,stage Refinement低级高级语义结合更加平滑
Q6论文中的实验是如何设计的?
Q7用于定量评估的数据集是什么?代码有没有开源?
- CULane、 Tusimple、 LLAMAS
- 开源
Q8论文中的实验及结果有没有很好地支持需要验证的科学假设?
- 有
Q9这篇论文到底有什么贡献?
- 提出了ROIGather借助attention结合上下文
- 提出lane IoU loss 更好的损失函数
Q10下一步呢?有什么工作可以继续深入
abstract
难点1:lane有高级语义,而它拥有特定的局部模式,需要详细的底层特征才能精确定位 不同层特征层运用对应的语义
难点2:车道被遮挡没有存在的视觉证据,极端光照条件下,车道难以识别
- 低级特征、高级特征互补
- ROIGather 手机全局背景来增强车道特征的表示
- 定制IoU损失,将车道作为一个整体进行回归。
related
基于语义分割
Spatial as deep: Spatial CNN for traffic scene understanding(2018)
- 提出消息传递,体现了车道线的空间关系
- 实时性较差
RESA: Recurrent Feature-Shift Aggregator for Lane Detection(2020.8)
- 提出了特征聚合模块对全局特征聚合
Curvelane-NAS(2020.7)
- 基于NAS来寻找更好的网络极其昂贵和耗费时间,是无意义的
以上总结:基于分割的方法来做车道线检测是无效和耗时的,因为他们是对整个图像做像素级的预测,没有将车道作为一个整体来考虑,丧失了他独有的性质,并且车道对低级和高级语义要同时要求才能做到
基于锚点方法
- Line-CNN: End-to-End Traffic Line Detection With Line Proposal Unit(2020.1)
- 基于线锚的开创性工作
- Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection(2020.10)
- 提出了新型的基于锚的注意力机制,可以聚合全局信息
- Structure Guided Lane Detection.(2021.8)
- 引入一种点消失引导锚生成器,增加多层结构一稿性能
- Ultra Fast Structure-aware Deep Lane Detection(2020.8)
- 构建具有全局特征的全连通层来预测车道
- 基于行锚的车道检测方法,并采用轻量级骨干实现了较高的推理速度
- 速度快、性能不好
- CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional Convolution(2021.5)
- 引入了一种基于条件卷积和行锚定公式的条件车道检测策略,即先定位车道线的起始点,再进行行锚定车道检测
- 在一些复杂的场景中,起点很难识别,这导致性能相对较差
基于参数方法
基于参数对车道曲线进行建模,并且对这些参数回归来检测车道
- PolyLaneNet: Lane Estimation via Deep Polynomial Regression(2020.4)
- 用多项式回归问题,实现了高效率
- End-to-end Lane Shape Prediction with Transformers(2020.11)
- 考虑摄像机姿态下的道路结构对车道形状进行建模,然后在车道检测任务中引入transform获得全局特征
基于参数的方法需要回归的参数较少,但对预测的参数比较敏感,例如高阶系数的误差预测可能会引起车道形状的变化非常大。尽管基于参数的方法具有快速的推理速度,但它们仍然难以获得更高的性能。
CLRNet
本文提出了能结合全局和局部特征的框架,具体来说,我们首先在高语义特征中进行检测,以粗定位车道。然后,我们进行基于精细细节特征的细化,以获得更精确的位置。
method
网络架构
使用一个FPN网络去提取图像特征,之后在每个特征stage上去优化车道线的回归结果,而当前stage的回归结果会被下一阶段的细致优化所采用,从而实现车道线的级联优化。从stage0开始逐渐细化得到的收益是最大的
anchor box变种——lane prior
这里车道线的建模是采用的点集的形式P = {(x1,y1),…,(xN,yN) },可以描述位在y轴上的均匀采样:yi=H/(N-1)*i(这里N=72)H为图像高度,回归量有四部分组成
- 二分类—是否为车道线类别信息
- 回归—车道线长度
- 回归—车道线起始点坐标(x,y)和车道线prior与x轴的夹角
- 回归—划分点N的位置回归
车道线和x轴的夹角从一开始就可以通过数据分析确定得到lane prior
motivation
在神经网络中,深度高级特征对整个对象具有更强的语义响应,而浅层低级特征则具有更多的局部上下文信息。允许车道对象访问高级特征可以帮助开发更有用的上下文信息,精细细节特征有助于检测车道,具有较高的定位精度,受Cascade RCNN的启发,我们可以将车道对象分配到所有语义级别
ROIGather
roigather来收集全局上下文,增强车道表示,同时我们引入了line iou loss,使得车道线回归为一个整体,提高定位精度怎么做到整体,之间的强关联是什么
motivation:经过ROIAlign后获得的上下文信息还是不足的,极端光照情况下,没有视觉信息能确定车道线,需要附近的信息。
利用高层次的信息对车道进行定位,对于低层次的车道来说高层次的信息就是先验,由于车道线有不完整的情况,我们用卷积增强信息。
在lane proir 上均匀采样得到采样点Np与对应的stage计算attention权重(获取上下文信息)
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YpCyfKzB-1657165300795)(C:\Users\admin\AppData\Roaming\Typora\typora-user-images\image-20220613092626230.png)]
g作为利用attention来修正原始采样点的形式出现,与GT相比匹配程度高的权重大,匹配程度低的权重小,根据迭代使得lane prior修正
Line IoU loss
motivation
原来用L1LOSS的前提假设过于简单,并且点之间是离散的,难以得到良好的结果
dio的值可以是负值,在优化上是行得通的
那么LIoU可以被认为是无限个线点的组合。为了简化表达式并使其易于计算,我们将其转换为离散形式
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Y5beQVDI-1657165300796)(C:\Users\admin\AppData\Roaming\Typora\typora-user-images\image-20220613100338637.png)]
LIoU范围是(-1,1)完全重合时收敛于1
优点:简单可微、容易并行、预测车道作为一个整体
Positive samples selection
根据YOLOX的启发,每个GT会被动态的分配多个predicted lanes作为正样本,然后对分配成本进行排序
Csim是预测车道和GT之间的差距,Cdis是有效车道点的平均像素距离,CXY代表起始点的距离,Ctheta代表角度之间的差值
Ccls是预测和标签之间分类信息的差
训练损失包括分类损失和回归损失。回归损失只在分配的样本上进行。总损失函数定义为:
有焦点损失,lane 起始点、角度、长度之间的损失,还有线之间交并比损失,同时,和其他几篇工作一样,可以在训练的时候增加一个额外的二值分割loss,这个是可选的。
由于是基于anchor的方法那么会产生多个锚框,需要用nms来去除
Experiment
在大规模车道检测数据集CULane上取得SOTA
可视化检测效果
消融实验
lane IoU loss改进效果
Refinement改进效果
由高阶信息->低阶信息逐步精细化迭代的效果最好,可以更好的利用高级和低级特性
根据attention的可视化,ROIGather能收集具有丰富语义信息的全局上下文,即使在遮挡情况下也能捕获前景车道的特征
conclusion
本文提出了一种用于车道检测的交叉层改进网络(CLRNet)。CLRNet可以利用高级特征来预测车道,同时利用局部细节特征来提高定位精度。为了解决没有视觉证据证明车道存在的问题,我们提出了ROIGather,通过建立与所有像素的关系来增强车道特征的表示。为了将车道作为一个整体回归,我们提出了为车道检测量身定制的lane IoU loss,与标准损耗smooth L1相比,这大大提高了性能。在CULane、LLamas和Tusimple三个车道检测基准数据集上对方法进行了评估。实验表明,提出的方法优于目前最先进的车道检测方法
t)。CLRNet可以利用高级特征来预测车道,同时利用局部细节特征来提高定位精度。为了解决没有视觉证据证明车道存在的问题,我们提出了ROIGather,通过建立与所有像素的关系来增强车道特征的表示。为了将车道作为一个整体回归,我们提出了为车道检测量身定制的lane IoU loss,与标准损耗smooth L1相比,这大大提高了性能。在CULane、LLamas和Tusimple三个车道检测基准数据集上对方法进行了评估。实验表明,提出的方法优于目前最先进的车道检测方法
CLRNet Cross Layer Refinement Network for Lane Detection相关推荐
- 《CLRNet:Cross Layer Refinement Network for Lane Detection》论文笔记
参考代码:CLRNet 1. 概述 介绍:车道线检测任务是一种高低层次信息都依赖的任务,在CNN网络的高层次特征具有较强的抽象表达能力,可以更加准确判别是否为车道线.而在CNN网络的低层次特征中包含丰 ...
- 【论文笔记】:Enriched Feature Guided Refinement Network for Object Detection
&Title Enriched Feature Guided Refinement Network for Object Detection 代码 中文翻译 &Summary 提出了一 ...
- 论文翻译之Enriched Feature Guided Refinement Network for Object Detection
摘要 我们提出了一个单阶段检测框架,该框架解决了多尺度目标检测和类不平衡的问题.我们没有设计更深层的网络,而是引入了一种简单而有效的特征丰富化方案来生成多尺度的上下文特征.我们进一步引入了一种级联的优 ...
- 笔记:论文阅读 Enriched Feature Guided Refinement Network for Object Detection
面向目标检测的丰富特征引导细化网络 摘要 提出一个单阶段检测框架,该框架解决了多尺度目标检测和类不平衡的问题. 没有设计更深层网络,而是引入一种简单而有效的特征丰富化方案来生成多尺度的上下文特征. 进 ...
- Enriched Feature Guided Refinement Network for Object Detection(面向目标检测的丰富特征引导细化网络)
Jing Nie1∗ †, Rao Muhammad Anwer2∗, Hisham Cholakkal2, Fahad Shahbaz Khan2 Yanwei Pang1‡, Ling Shao2 ...
- 【极简笔记】VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition
Abstract propose a unified end-to-end trainable multi-task network that jointly handles lane and roa ...
- 车道检测--VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition
VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition ICCV2017 ...
- PBRNet:Progressive Boundary Refinement Network for Temporal Action Detection (AAAI 2020)
PBRNet:Progressive Boundary Refinement Network for Temporal Action Detection AAAI 2020 中国科学技术大学 欢迎感兴 ...
- 基于循环特征位移聚合器的车道线检测(RESA: Recurrent Feature-Shift Aggregator for Lane Detection)
2021年的车道线检测新方法. 官方公开视频.论文.源码: https://www.bilibili.com/video/BV1664y1o7wg https://arxiv.org/abs/2008 ...
- 车道线检测--End-to-end Lane Detection through Differentiable Least-Squares Fitting
End-to-end Lane Detection through Differentiable Least-Squares Fitting https://github.com/wvangansbe ...
最新文章
- LeetCode-334. Increasing Triplet Subsequence
- python好学-所有人都说Python 简单易学,为何你觉得难?
- Quartz-2D绘图之路径(Paths)详解
- Linux0.11内核--加载可执行二进制文件之1.copy_strings
- rxjs里tap操作符的使用单步调试
- tomcat不能多次startup.sh,异常时直接,分析logs目录下的日志。
- android检测手机网络连接不上,Android WIFI及手机网络连接情况检查
- 对于函数式编程的新理解
- [译]C#控制管理VisualSVN Server
- Android中AppCompat简介
- AD7124-4调试经验分享
- 计算机硬盘介绍,硬盘简介 - 硬盘使用知识大全(1)
- 台式计算机装机,DIY台式电脑装机教程之新手装机图解!手把手教你组装电脑
- 笔记本电脑计算机里面怎么管理,笔记本电脑如何分区,详细教您笔记本电脑怎么分区...
- TF2-Tips:自定义model.fit
- U盘无法打开的解决方法大全
- Transmission搭建BT下载服务器
- 禾穗HERS | 听说妳事业成功都是靠“关系”?
- html5 立方体 鼠标滑动,,HTML5超酷3D立方体按钮效果
- 电子书籍制作工具软件大全
热门文章
- uniny 物体运动到一个点停止_unity控制运动
- ARPG游戏的战斗系统设计经验分享
- 电容式 指纹识别 android 智能硬件
- 基于Qt的智能管家客户端设计
- 智能管家---1.项目搭建
- java计算机毕业设计红色主题旅游网站源码+mysql数据库+系统+lw文档+部署
- clip_gradient_norms()
- Jquery插件实现“点击获取验证码后60秒内禁止重新获取(防刷新)”
- Deepin安装向日葵报错
- oled u8g2如何显示中文(实测有效)