车道线检测-CLRNet-CVPR2022论文学习笔记

• 论文：《CLRNet: Cross Layer Refinement Network for Lane Detection》
• 论文：http://arxiv.org/abs/2203.10350
• 代码：https://github.com/Turoad/clrnet
• 内容：使用 CNN，基于关键点检测车道线

整体结构

引入了四项先验信息：

1. 前景与背景概率；
2. 车道线的长度；
3. 车道线起点，及在该点处的倾斜角；
4. 预测结果与GT之间的 N 个偏移量（点间距）。

1. 跨层 refinement

$$P_t=P_{t-1}\circ R_t(L_{t-1},P_{t-1})$$

其中，

• $P_t$ 是车道线先验参数（起始点及夹角）。
• $R_t$ 用于获取 RoI 车道线特征，然后再由两个 FC 层得到精调之后的参数 $P_t$。

2. 集成车道线先验的全局上下文

$$\mathcal{G}=softmax(\frac{{\mathcal{X}}_p^T{\mathcal{X}}_f}{\sqrt{C}}){\mathcal{X}}_f^T$$

其中，${\mathcal{X}}_p\in {\mathbb{R}}^{C\times 1}$，${\mathcal{X}}_f\in {\mathbb{R}}^{C\times HW}$

3. Line IoU 损失函数

$${\mathcal{L}}_{LIoU}=1-LIoU$$

LIoU 的计算公式见上图。

其中，

• $d_i^{\mathcal{O}}=\min (x_i^p+e,x_i^g+e)-\max (x_i^p-e,x_i^g-e)$
• $d_i^{\mathcal{U}}=\max (x_i^p+e,x_i^g+e)-\min (x_i^p-e,x_i^g-e)$

LIoU 可以为 负数，这可以使它具备对非重叠线段的优化能力。

4. 正样本的选择

基于下面的 Cost，为每条GT车道线分配多个预测的车道线（top-K）。

$${\mathcal{C}}_{assign}=w_{sim}{\mathcal{C}}_{sim}+w_{cls}{\mathcal{C}}_{cls}$$

其中，${\mathcal{C}}_{sim}=({\mathcal{C}}_{dis}\cdot {\mathcal{C}}_{xy}\cdot {\mathcal{C}}_{\theta }{)}^2$。

• ${\mathcal{C}}_{cls}$ 是 Focal Loss；
• ${\mathcal{C}}_{sim}$ 中分别是车道线点的平均像素距离、起始点距离、起始角度距离。

损失函数

$${\mathcal{L}}_{total}=w_{cls}{\mathcal{L}}_{cls}+w_{xytl}{\mathcal{L}}_{xytl}+w_{LIoU}{\mathcal{L}}_{LIoU}$$

此外，文中还使用了一个辅助的分割损失函数。

${\mathcal{L}}_{xytl}$ 是关于起始点位置、起始角度、车道线长度的 $smooth-l_1$ 损失