作者：小魔方
点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
标题：Ultra Fast Structure-aware Deep Lane Detection（ECCV 2020）代码地址：在公众号「3D视觉工坊」，后台回复「车道线检测」，即可直接下载亮点1.提出了一个基于卷积神经网络进行车道线检测的新方法，区别于逐像素分割方法，该方法预测输入图像中每行的车道线位置。2.该方法计算量小，能很好地满足自动驾驶场景对算法的速度要求；使用全局感受野，也能很好地处理复杂场景。3.在训练网络时根据车道线的物理结构，加入了结构损失（structual loss），很好地利用了车道线的先验信息。内容在输入图像中每隔若干像素画水平线，将输入图像划分成若干个“细长条”，每个“细长条”称为1个row anchor。再将每个row anchor在垂直方向切割，形成若干个“块”，每个“块”称为1个cell。如下图所示：
此外，还需要在每个row anchor最后面“人为地”增加1个cell，这个cell表示该row anchor中没有车道线。希望能设计一个网络，达到如下功能：网络能够输出每个row anchor中含有车道线的cell的位置，当某个row anchor中没有车道线时，网络输出该row anchor中“人为增加”的cell的位置。
为了利用车道线物理结构的特性作为网络输出结果的约束，在上述方法的基础上，作者又构造了2个损失函数。因为车道线是光滑的，所以相邻row anchor中车道线所在的cell的位置不会有突变。这意味着，相邻两个row anchor的cell类别概率分布应该是相似的，因此定义相似性损失函数如下：
使用相似性损失函数约束网络的输出结果，使得相邻两个row anchor的cell类别概率分布不会有突变。此外，车道线一般是直线；由于视角的原因，弯曲的车道线在图像上大部分也近似直线。最小化相邻row anchor预测出车道线位置的二阶差分，能够约束网络预测结果，使得车道线不要“太弯”。在车道线存在的情况下，使用如下公式能得到车道线所在的cell的位置
作者在实现过程中，使用了一些比较工程化的方法，下面加以阐述。首先，作者又增加了1个辅助的分割分支，有助于提取特征。整体算法流程如下图所示：
分割分支只在训练时使用，推理时不使用。分割分支使用交叉熵损失函数。最终的损失函数是分类损失函数、结构化损失函数和分割损失函数的加权和，表示如下：
其次，作者在实现过程中使用了数据增强的方法以减轻过拟合现象。使用了旋转、垂直和水平移位的方法，为了保持车道线的结构，在数据增强得到的图片上对车道线进行了延长，如下图所示作者使用了ResNet-18和ResNet-34作为网络的backbone，在TuSimple和CULane这2个数据集上验证了上述方法。在这2个数据集上实现时一些参数设置如下：
在2个数据集上的性能如下所示：
其中使用ResNet-18作为backbone的版本在CULane数据集上能跑到322.5FPS，是一个非常闪光的结果！本文仅做学术分享，如有侵权，请联系删文。下载1在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
下载2在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。
下载3在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。
重磅！3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：