论文阅读笔记： (2022 TPAMI) Ultra Fast Deep Lane Detection with Hybrid Anchor Driven Ordinal Classification

车道线检测是自动驾驶中的基础任务之一，我们今天来看一篇来自浙大的TPAMI 2022的文章！

文章看下来，可以理解为是专门为车道线任务设计的语义分割网络

文章地址： https://arxiv.org/abs/2206.07389

代码也开源了： GitHub - cfzd/Ultra-Fast-Lane-Detection-v2: Ultra Fast Deep Lane Detection With Hybrid Anchor Driven Ordinal Classification (TPAMI 2022)

一、目的，贡献

关于ordinal classification: https://en.wikipedia.org/wiki/Ordinal_regression

1. 提出了一种基于row或者column anchor的车道线检测方法；

2. 用类别表示车道线的坐标， 并特别用ordinal classification获得类别

3.  快，300FPS

二、精度

330fps非常快， LaneATT也很不错！改天LaneATT也好好读一下；

三、实现

3.1 Lane Representation with Anchors

分配到row anchor 或者 col anchor的线提前选好，分配到哪种anchor看这种类别的线和哪种anchor的夹角大；

3.2 Anchor-driven Network Design

 

 这里没有啥花头， 其实anchor多了也减少不了太多计算量；

flatten再接MLP不就又回到了MNIST手写字符识别用过的传统技能了么。。。 

3.3 Ordinal Classification Losses

每个channel是一条线， 单个channel的某行的GT上只有一个pixel是1（交点）， 因此可以用CE来学这个onehot的distribution， 再加上expectation loss和existence loss来吧distribution的形状搞搞好

3.4 Network Inference

以row anchor为例（y固定了）， 每一行直接由expectation求出x的（亚像素级别）坐标：

3.5 Analysis and Discussion

为车道线专门设计的网络， 用anchor即可，不用像素级别分类（语义分割）， 计算量小当然快。