Multi-lane Detection Using Instance Segmentation and Attentive Voting

ICCAS 2019的一篇车道线检测论文。文章使用了自己的车道线数据集（5000张），分割网络很简单，但是后处理创新地提出了 Attentive Voting 方法来判断两条实例的线是否属于同一条车道线。

论文链接

Model

整个车道线检测过程示意图如上图所示：首先是语义分割，然后聚类出实例，然后进行透视变换为 Bird’s Eye View，然后是无监督的 Attentive Voting ，然后曲线拟合，最后逆透视变换回来输出。

1. 语义分割网络模型如下表所示，就是简单的卷积加反卷积的 U 型结构。损失函数使用的是 soft dice loss。

   

2. 实例检测使用的是广度优先搜索算法。这之后进行透视变换是为了减小之后拟合曲线的多项式次数。

3. 无监督的 Attentive Voting 示意图如下所示：

图中 Li 代表车道线掩码实例， $\vec{Li_{min}}$ 和 $\vec{Li_{max}}$ 代表车道线掩码 Li 最下方和最上方的像素点；车道线掩码 Li 和 Lj 之间的的 Attentive vote 表示为 $vote(L1,L2) = d1 + d2$ ，其中 di 表示点 P 到由车道线掩码 Li 拟合出的曲线的法线方程的垂直距离；点 P 论文中没说，从图中可以看出 $\vec{P} = (\vec{Li_{min}}+\vec{Li_{max}}) / 2$ 。如果计算出的 vote 小于阈值 $\eta$ ，则认为这两个实例属于同一条车道线。这个无监督的 Attentive Voting 方法解决了聚类时将同一车道线的不同段错分为两条线的问题。

Experiment

---

• Previous
  Pytorch并行训练

---