Key Points Estimation and Point Instance Segmentation Approach for Lane Detection
PDF: https://arxiv.org/pdf/2002.06604.pdf
PyTorch代碼: https://github.com/shanglianlm0525/PyTorch-Networks
1 提出的車道線檢測框架
給定輸入圖像,PINet會預測三個值,置信度、偏移量和特徵。 根據置信度和偏移量輸出,可以預測車道上的精確點,並且特徵輸出將預測點分割到每個實例中。 最後,應用後處理模塊生成平滑車道。
2 車道實例點網絡(Lane Instance Point Network)
PINet包括三個主要部分。 大小調整爲512x256的輸入數據由大小調整層(resizing layer)壓縮,並將壓縮的輸入傳遞到特徵提取層。 在每個沙漏(hourglass)塊的末尾有三個輸出分支,分別預測每個網格的置信度、偏移量和實例特徵。
2-1 大小調整層(resizing layer)
512x256 -----> 64x32 或者 32x16
2-2 特徵提取層(feature extraction layer)
特徵提取層由兩個沙漏塊組成, 沙漏塊的詳細架構如下
2-3 輸出分支(output branches)
輸出分支的濾波器器數量由輸出值確定。即置信度分支(Confidence branch)爲1,偏移分支(Offset branch)爲2,特徵分支(Feature branch)爲4
三個分支的損失函數分別爲:
Confidence branch loss:
Offset branch loss:
feature branch loss:
總損失函數爲三個之和
3 後處理(Post processing)
後處理步驟:
後處理示意圖:
後處理結果:
PyTorch代碼: