CVPR2022车道线检测Efficient Lane Detection via Curve Modeling
分享前段时间看的一篇车道线检测方向的新工作,也是中了最近公开结果的2022CVPR,是上海交大、华东师大、香港城市大学和商汤科技合作完成的,代码已经开源。关于车道线检测任务,我之前也分享过几篇文章:
相关链接(点击进入):
车道线检测综述及近期新工作
https://blog.csdn.net/qq_41590635/article/details/117386286
车道线检测新工作VIL-100: A New Dataset and A Baseline Model for Video Instance Lane Detection ICCV2021
https://blog.csdn.net/qq_41590635/article/details/120335328
自动驾驶视觉感知之语义分割+车道线检测demo
https://mp.weixin.qq.com/s/gS-pZyhdq4f-jRJo9MjY8Q
论文链接:
https://arxiv.org/abs/2203.02431
代码链接:
https://github.com/voldemortX/pytorch-auto-drive
简介
Lane detection strategies
如上图所示,基于深度学习的车道线检测方法可分为三大类:基于分割的方案(图中绿色示例)、基于点检测的方案(图中蓝色示例)和基于多项式曲线的方案(图中黄色示例)。
其中基于分割和点检测的方案一般效果性能更好,但基于分割方案和基于点检测方案的表征是局部的、间接的,且在多项式曲线中的抽象因子(a, b, c, d)难于优化。为此,文章提出了基于三次B´ezier 曲线的方案,即上图中的红色曲线和虚线框,因为贝塞尔曲线具有易于计算、稳定、转换自由等特点。此外,作者也设计了基于可形变卷积的特征翻转融合模块,进行车道线对称属性的探究。
最终文章的方案在保持高速度(>150FPS)和小尺寸(<10M)的同时,在车道线检测基准数据集LLAMAS上取得了新的SOTA表现,同时在TuSimple和CULane数据集上取得了竞争力的精度表现。
B´ezier 曲线相关补充
贝塞尔曲线(以3阶为例)是依据四个位置任意的点坐标绘制出的一条光滑曲线。其通过控制曲线上的四个点(起始点、终止点以及两个相互分离的中间点)来创造、编辑图形。其中起重要作用的是位于曲线中央的控制线。这条线是虚拟的,中间与贝塞尔曲线交叉,两端是控制端点。移动两端的端点时贝塞尔曲线改变曲线的曲率(弯曲的程度);移动中间点(也就是移动虚拟的控制线)时,贝塞尔曲线在起始点和终止点锁定的情况下做均匀移动。
对于任意阶贝塞尔曲线,可通过以下公式进行表示:
文章也对贝塞尔曲线和多项式方程曲线进行了对比实验,如下表所示,表中指标是TuSimple测试集上的结果,越低越好。
通过上述实验,文章选择使用经典的3阶贝塞尔曲线(n=3), 因为实验中发现3阶足够用来进行车道线建模,同时与3阶多项式曲线相比具有更好的拟合能力,而3阶多项式曲线是之前众多方案中的基础方程(论文中如此说),实际小汤在自己参与的部分工作及和同行交流中得知,目前各家实际量产中的方案也大都为3阶多项式曲线方案。文章也指出更高阶的曲线并没有带来相应的性能提升,但却会由于高自由度而造成不稳定性。
The Proposed Architecture
对于输入的RGB图像,经过特征提取得到的特征图送入特征翻转融合模块,得到 CxH/16xW/16 大小的特征图,再经过平均池化得到的CxW/16的特征图,最后经过一个分类和一个回归分支得到相应的贝塞尔曲线结果。
Feature Flip Fusion
特征翻转模块是文章的主要工作之一。
通过对车道线作为历史曲线来建模,文章集中于各条车道线的几何特性,如瘦、长、连续等特性。当从前视相机的角度来考虑车道线的全局结构事,道路具有空间等分的车道线,近似于对称,例如。左边车道线的存在可能暗示其右侧存在对应的车道线。文章对这种对称性进行建模,为此设计了特征翻转模块。
an auxiliary binary segmentation branch
文章还在ResNet backbone上设计了一个额外的二分类分割分支,旨在加强对于空间细节的学习。并通过实验发现这个额外的分支只有在和特征翻转融合模块一起工作时才起作用。这是因为分割任务的定位有利于提供一个空间上更准确的特征图,这个反过来支持翻转特征图之间更准确融合。
这个额外的二分类分割分支只在训练时使用,推理时关掉。
文章通过上图所示的Grad-CAM可视化效果对这一设计的影响进行了说明,详细细节可以阅读原文。
Overall Loss
因为在车道线检测数据集中,并不存在正负样本不平衡问题,所以分类和分割都使用了简单的加权交叉熵损失。
Experiments
Results on test set of CULane and TuSimple. *reproduced results in our code framework, best performance from three random runs. **reported from reliable open-source codes from the authors.
ablation studies
可视化示例:
视频demo:
自动驾驶视觉感知之语义分割+车道线检测demo, semantic segmentation+lane detection,期待早日实现无人驾驶
文章给出的是效果比较好的结果,但是在匝道、大拐弯等场景效果还是有问题,感兴趣的朋友可以自己跑一下代码看看。(以下四张是用文章开源代码和权重跑的结果,感兴趣的可以自己跑一下看看)
最后,由于自己对车道线看的不多,写作能力也有限,有不对的地方欢迎大家批评指正。也欢迎对车道线检测、自动驾驶、计算机视觉等方向感兴趣的朋友加入 自动驾驶交流群 一起学习一起玩!!
推荐阅读:(点击进入)
车道线检测综述及近期新工作
https://blog.csdn.net/qq_41590635/article/details/117386286
多目标跟踪(MOT)最新综述,一文快速入门
https://blog.csdn.net/qq_41590635/article/details/118661662?spm=1001.2014.3001.5502
鱼眼单目深度估计地下车库demo,含坡道场景,助力低成本自动驾驶
https://www.bilibili.com/video/bv1cL4y1E7We
CVPR2022车道线检测Efficient Lane Detection via Curve Modeling相关推荐
- 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 ...
- 《Rethinking Efficient Lane Detection via Curve Modeling》论文笔记
参考代码:pytorch-auto-drive 1. 概述 介绍:在这篇文章中对车道线建模表示进行了讨论和分析,文中指出现有的车道线检测方法大体为:segmentation-based.key_poi ...
- 车道线检测分类--Lane Detection and Classification using Cascaded CNNs
Lane Detection and Classifification using Cascaded CNNs 代码戳 here 作者采用两个级联的CNN网络,完成了车道线的实例分割和分类.第一个CN ...
- 车道线检测2022新工作整理,2D、3D都有
车道线检测是自动驾驶中一项基础而重要的任务,学术和工业界一直投入了大量的工作.小汤也一直对车道线检测任务感兴趣,并在公司开发过相关功能.也分享过一些相关的文章: 相关链接(点击进入): 车道线检测综述 ...
- CVPR 2022 3月7日论文速递(17 篇打包下载)涵盖 3D 目标检测、医学影像、图像去模糊、车道线检测等方向
CVPR2022论文速递系列: CVPR 2022 3月3日论文速递(22 篇打包下载)涵盖网络架构设计.姿态估计.三维视觉.动作检测.语义分割等方向 CVPR 2022 3月4日论文速递(29 篇打 ...
- 【车道线检测】车道线检测算法汇总
文章目录 零. 概述 1. DataSet 2. 车道线检测难点 3. 数据增强 一.基于分割和辅助实例化信息的方法 1. HDMapNet: An Online HD Map Constructio ...
- 车道线检测CLRNet算法复现在Tusimple数据集测试demo
0 写在前面 分享最近在车道线检测方面的工作,详细跟大家说下我的配置环境和过程,欢迎自动驾驶的朋友来交流学习,助力自动驾驶早日落地. 分享一篇今年CVPR车道线检测方向的新工作--CLRNet: Cr ...
- 车道线检测--Towards End-to-End Lane Detection: an Instance Segmentation Approach
Towards End-to-End Lane Detection: an Instance Segmentation Approach In IEEE Intelligent Vehicles Sy ...
- 卷积神经网络CNN(8)—— Pix2Pix Application -- Aerialmap Lane Line Detection (Pix2Pix应用:航拍图车道线检测)
卷积神经网络CNN(8)-- Pix2Pix Application -- Aerialmap Lane Line Detection (Pix2Pix应用:航拍图车道线检测)
最新文章
- 【Android Studio安装部署系列】十一、Android studio获取数字签名信息
- Android开发之设置listview分割线的颜色
- java string类型_java中String类型
- 查询hive表_大数据中Hive与HBase的区别与联系
- 特斯拉联合苹果发难 要对小鹏汽车“窃密”员工动手了...
- HDU #5733 tetrahedron
- 基于MATLAB的线性规划
- PRCV2021 第四届中国模式识别与计算机视觉大会开放注册
- 如何批量压缩图片?教你一键批量压缩图片的方法技巧
- CTF取证总结(内存取证,磁盘取证)以及例题复现
- 敏捷实践 | 如何正确使用故事点预估工作量?
- 小猫钓鱼java代码,【Java个人笔记】练习-小猫钓鱼
- 好用一些的真无线蓝牙耳机,音质好的真无线蓝牙耳机
- 如何登录无线web认证服务器,路由器如何设置web认证的方式连接免费WIFI
- 大数据时代的特种兵——阿里数据产品团队
- 各大互联网大厂年终奖一览表,又是别人家的公司!
- node.js把前台传来的base64码转成图片存放
- jdk8u131下载地址
- BN(Batch Normalization)
- 怎么把多张图片合成为一张?