《PolyLaneNet:Lane Estimation via Deep Polynomial Regression》论文笔记
参考代码:PolyLaneNet
1. 概述
介绍:这篇提出了一种新类型车道线检测算法,它使用多项式表示一条车道线,从而实现对弯曲车道线的适应。总体看文章提出的方法是基于回归的方案,因而比起基于分割、anchor机制的算法能够更快一些,并且没有引入任何先验假设。但是,其对车道线特征的refine上就差一些,导致其相比后序的车道线检测算法存在较大的差距。
2. 方法设计
2.1 整体pipeline
文章提出方法的整体pipeline见下图所示:
输入的图片经过backbone之后得到高纬度特征,之后经过PolyLanNet
(也就是全连接)得到不同车道线的参数。在输入网络进行预测之前需要对车道线的顺序进行排序,也就是从图片的左边开始依次往右编号:
# lib/datasets/lane_dataset.py#L69
old_lanes = sorted(old_lanes, key=lambda x: x[0][0][0])
对于车道线预测的参数维度计算描述为:
parameters:num_outputs: 35 # (5 lanes) * (1 conf + 2 (upper & lower) + 4 poly coeffs)
在网络预测出4个对应的多项式参数之后便可以使用多项式表达写出对应车道线的预测值:
# lib/models.py#L135
pred_xs = pred_polys[:, 0] * ys**3 + pred_polys[:, 1] * ys**2 + pred_polys[:, 2] * ys + pred_polys[:, 3]
在损失函数层面,这里的损失函数包含:车道线预测偏移误差(MSELoss)、车道线上下边界误差(MSELoss)、是否为车道线回归误差(CrossEntropyLoss)。则描述为:
L({Pj},h,{sj},{cj})=λpLp({Pj},{Lj∗})+λs1M∑j=1Lreg(sj,sj∗)+λc∑j=1Lcls(cj,cj∗)+λhLreg(ch,ch∗)L(\{P_j\},h,\{s_j\},\{c_j\})=\lambda_pL_p(\{P_j\},\{L_j^{*}\})+\lambda_s\frac{1}{M}\sum_{j=1}L_{reg}(s_j,s_j^{*})+\lambda_c\sum_{j=1}L_{cls}(c_j,c_j^{*})+\lambda_hL_{reg}(c_h,c_h^{*})L({Pj},h,{sj},{cj})=λpLp({Pj},{Lj∗})+λsM1j=1∑Lreg(sj,sj∗)+λcj=1∑Lcls(cj,cj∗)+λhLreg(ch,ch∗)
TuSimple数据集上的性能表现:
2.2 鲁棒性分析
这部分对车道线检测的鲁棒性进行分析,主要的内容源自:
paper:On Robustness of Lane Detection Models to Physical-World Adversarial Attacks in Autonomous Driving
在该文章中对现有的车道线检测算法进行分类,可以归纳为如下4个类别:
然后使用网络攻击的形式对这些车道线检测算法进行攻击,也就是通过白色/黑色块、线条等手段修改图片内容,再观察这些攻击是否有效,其得到的结果如下表:
在上表中可以看到由于PolyLaneNet采用多项式表达的形式,收到的干扰更少,在相同条件下会显得更加鲁棒。
《PolyLaneNet:Lane Estimation via Deep Polynomial Regression》论文笔记相关推荐
- 论文笔记之Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 论文链接:http://dwz.cn/6qPeIb 本文的主要思想是为了剖析出一个跟踪算法中到 ...
- 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
本人为目标追踪初入小白,在博客下第一次记录一下自己的论文笔记,如有差错,恳请批评指正!! 论文相关信息:<Understanding and Diagnosing Visual Tracking ...
- 论文笔记Understanding and Diagnosing Visual Tracking Systems
最近在看目标跟踪方面的论文,看到王乃岩博士发的一篇分析跟踪系统的文章,将目标跟踪系统拆分为多个独立的部分进行分析,比较各个部分的效果.本文主要对该论文的重点的一个大致翻译,刚入门,水平有限,如有理解错 ...
- 目标跟踪笔记Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 原文链接:https://blog.csdn.net/u010515206/article/d ...
- 追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems)
追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems) PROJECT http://winsty.net/tracker_di ...
- ICCV 2015 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
目录 写在前面 文章大意 一些benchmark 实验 实验设置 基本模型 数据集 实验1 Featrue Extractor 实验2 Observation Model 实验3 Motion Mod ...
- Understanding and Diagnosing Visual Tracking Systems
文章把一个跟踪器分为几个模块,分别为motion model, feature extractor, observation model, model updater, and ensemble po ...
- CVPR 2017 SANet:《SANet: Structure-Aware Network for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做SANet.作者在论文中提到,CNN模型主要适用于类间判别,对于相似物体的判别能力不强.作者提出使用RNN对目标物体的self-structure进行建模,用于提 ...
- ICCV 2017 UCT:《UCT: Learning Unified Convolutional Networks forReal-time Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做UCT.就像论文题目一样,作者提出了一个基于卷积神经网络的end2end的tracking模型.模型的整体结构如下图所示(图中实线代表online trackin ...
- CVPR 2018 STRCF:《Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文提出的模型叫做STRCF. 在DCF中存在边界效应,SRDCF在DCF的基础上中通过加入spatial惩罚项解决了边界效应,但是SRDCF在tracking的过程中要使用 ...
最新文章
- 漫水填充算法 - cvFloodFill() 实现
- 使用Slf4j集成Log4j2构建项目日志系统的完美解决方案
- 写一个简单的爬虫 - 如何模拟登录网站
- 千层套路 - Vue 3.0 初始化源码探秘
- 【C++深度剖析教程3】C++中类的静态成员变量
- python中multiply函数_python中numpy库内multiply()、dot()和 * 三种乘法运算的区别小计...
- plantuml 方法图_plantuml画流程图
- XMindCrack.jar下载
- 触摸按键 原理 研究笔记
- Cisco无线路由基本操作
- 计算机里面的wps如何删除,如何快速删除电脑上的wps的所有换行符
- 获取本地视频url的方法
- 误码率matlab怎么计算,PSK理论误码率与实际误码率MATLAB仿真程序(最新整理)
- zigbee协议重要英文缩写
- 漏洞检测:异常页面导致服务器路径泄漏 WASC Threat Classification
- 解密Google Deepmind AlphaGo围棋算法:真人工智能来自于哪里?
- 打印html java 清晰度_java 利用jsp打印html页面
- uip-udp-demo分析---基于contiki
- 【Web前端】落地成盒?达咩之——CSS盒子模型及属性
- 广告管理系统的UML分析与设计 1
热门文章
- 耳挂式蓝牙耳机原理_蓝牙耳机是什么工作原理?哪款蓝牙耳机音质好?
- 温商机器人企业_“2018温州市百强企业”揭晓
- 双节锂电池充电IC的线性方案与开关方案对比
- Linux 命令行查看服务器ip地址
- EEPROM(AT24C512)调试总结
- 大数据分析学习哪些编程语言
- 【杂记】(富文本框回填值、ajax数据回填按钮年级学科、去除数组中数组外包的引号、多重循环的写法、微测评获奖页面的内容 循环拼接写法、textarea禁止拖动、html基本、透明度、页面内出现滚动条)
- ObjectArx选择集
- java计算器源码有转换16进制和10进制功能
- JESD79-4 第3章 功能描述