FOLOLane论文阅读

论文地址：https://arxiv.org/pdf/2105.13680.pdf

一、论文创新点

主流的车道线检测方法使用语义分割和聚类实现，但像素级的输出存在信息冗余，同时会带来大量噪声。而该论文使用两个分支，一个输出heatmap用于判断像素是否是关键点，另一个分支输出offsets用于精准补偿关键点的位置。输出的网络通过关联算法完成局部到全局的曲线关联，形成多条完整的曲线。

二、网络结构

第一个head表示一个像素为关键点的概率。训练时，GT插值得到一个曲线，曲线上的像素都为1，对曲线高斯核范围内的像素赋值0-1.损失使用Focalloss

二三四则输出本关键点和等间距上下共三个关键点的水平偏移。然后再通过后处理来进行连线。

将图片沿着高度等间隔画线，等分线与车道线的交点称为交点关键点。采样这些关键点计算偏移损失。

后处理：这里就介绍高效的方法。（可以并行，所以速度快，但是精度有损失）

1.在heatmap上等间距提取行，每一行具有局部最大响应的点作为当前关键点

2.对于每个关键点，根据偏移计算相关的三个点。

3.对相邻行的关键点进行关联，该行的关键点，找上下两行（距离p⬆和p⬇最近的点）

4.从具有最多关键点的行出发，每个关键点以及上下关联的关键点为一组，构成一个全局曲线，并利用关键点预测的水平偏移对曲线进行修正。

三、个人理解

感觉改论文只能预测纵向的车道线，如果车道线是横向的，感觉就不能识别了。