自动驾驶笔记之车道线检测 Ultra Fast Structure-aware Deep Lane Detection
2022/5/24 23:50:25
本文主要是介绍自动驾驶笔记之车道线检测 Ultra Fast Structure-aware Deep Lane Detection,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
网络结构没什么可说的,基本还是沿用特征提取+head的思路
这篇论文主要的贡献在于相比语义分割,可以人工划定对应的row 采样步长,以及每个row对应的块宽度,从而实现针对一个区块进行分类,对性能整体加速非常明显
这里主要记录一下loss的计算过程
分类loss:
(1) 将特征图按照行高划分为h行
(2) 每行单独按照一定宽度切分成w块,对每块做分类,输出以行为单位的概率,与GT计算loss,其中C为第几条车道线
结构loss:
(1) 判断竖直方向概率连续的loss: 由于车道线竖直方向是连续的,因此行与行之间车道线预测概率最大值应该在相邻区域,所以设计一个车道线结构的loss,既竖直方向预测概率的l1距离:
(2) 线形状约束loss:用二阶差分去约束车道线的形状的变化率
① 找到每一个row的最大概率对应的块,但是argmax不可微,所以换一种方式
② 引入对每个row对应的position做softmax,再对概率乘以Idx求和,这里会导致正确pos对应的idx与概率的积来主导
③ 在数值方向利用上式做二阶差分,差分值越小说明处于同一竖直方向
这篇关于自动驾驶笔记之车道线检测 Ultra Fast Structure-aware Deep Lane Detection的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-05-15PingCAP 黄东旭参与 CCF 秀湖会议,共探开源教育未来
- 2024-05-13PingCAP 戴涛:构建面向未来的金融核心系统
- 2024-05-09flutter3.x_macos桌面os实战
- 2024-05-09Rust中的并发性:Sync 和 Send Traits
- 2024-05-08使用Ollama和OpenWebUI在CPU上玩转Meta Llama3-8B
- 2024-05-08完工标准(DoD)与验收条件(AC)究竟有什么不同?
- 2024-05-084万 star 的 NocoDB 在 sealos 上一键起,轻松把数据库编程智能表格
- 2024-05-08Mac 版Stable Diffusion WebUI的安装
- 2024-05-08解锁CodeGeeX智能问答中3项独有的隐藏技能
- 2024-05-08RAG算法优化+新增代码仓库支持,CodeGeeX的@repo功能效果提升