目录

Abstract

1. Introduction

2. Related Work

3. Proposed Method

3.1. Network Architecture

Horizontal Reduction Module:

3.2. Training

Lane Marker Vertex Location Loss:

4. Experiments

4.1. Results

4.2. Ablation Experiments

The number of shared HRM:

Loss function:

---

Abstract

在本文中，我们提出了一种以端到端方式进行直接车道标记顶点预测的方法，该方法将车道标记检测问题转化为行分类任务，并且不需要任何后处理步骤。

为提取图像中车道信息，受[8]启发，我们设计了一个新的层

1. Introduction

我们的网络称为E2E-LMD

 contribution

1)我们提出了一个新的和直观的框架来检测车道。

2)所提出的方法在两个基准数据集的方法相当或优于最近最先进的方法

3)通过大量的实验和可视化，表明该方法能够有效地捕获车道标记表示。

2. Related Work

除了基于分割的方法外，车道线还可以通过基于gan的方法进行检测。

3. Proposed Method

受最近[8,18]的启发，我们将车道线检测问题视为在图像中寻找每个车道的水平位置的集合。

给定一个输入图像X∈R3×h×w，其中h和w分别为图像的高度和宽度。

表示每条车道线

目标是找到一个点集

N是X中的车道标记的数量，K是每条车道线点的总数。

3.1. Network Architecture

 第一阶段是一个通用的编解码器分割网络，经过编码器和解码器后得到一个输出

 但是与标准的语义分割方法相比，我们只恢复分辨率作为输入大小的一半，以降低计算复杂度。

在第二阶段，高不改变，使用hHRM模块压缩。

  在最后的第三阶段，我们有两个车道标记li的分支：一个行顶点位置分支和一个顶点置信分支。这些分支对最后一个HRMs特征进行分类化和置信回归，其中空间分辨率只有垂直维度，而通道大小满足目标水平分辨率h0，即h0=h/2。

行顶点位置，分支预测水平位置

顶点方向的置信度分支预测存在置信度vcij(xij，yij)是否有效。

Horizontal Reduction Module:

  我们向下采样的水平组件添加了一个具有1×1卷积的水平平均池化层，步距为r，宽度减为W/r。

  受[24,32]的像素洗牌层的启发，我们建议重新排列C×H×W输入张量的元素，在残差分支中形成一个形状为

rC×H×W/r的张量，这是对[32]中原始像素洗牌块的反向操作，即所谓的水平像素反洗牌层。

  作者说这样可以通过重新排列表示方式，我们可以有效地将空间信息移动到通道中。

  然后应用卷积操作将增加的信道rC减少到C，这不仅降低了计算复杂度，而且有助于有效地压缩像素解洗牌

操作中的车道标记空间信息。

  最后为了进一步提高不同车道线的区分，作者加了SE模块

图三：可视化：所提出的体系结构还是成功地压缩了空间车道标记信息。

图四：我们观察到，在SE块后，车道表示变得更明显，很容易彼此分离。

3.2. Training

Lane Marker Vertex Location Loss:

由于我们将车道标记检测定义为对车道标记水平位置的行级分类，因此可以使用任何用于分类的损失函数

KL散度用来衡量两个概率分布之间的差异

4. Experiments

4.1. Results

4.2. Ablation Experiments

在表中评估了SE块的位置和存在性对HRM层的影响

（1）Pre-SE块，其中SE块在水平像素展开层之前移动

（2）标准-SE块，其中SE块是在剩余操作之后

（3）后SE块，其中在标识连接相加之后移动SE块

后SE比其他配置要好得多。似乎残余分支末端的SE块有助于恢复车道标记的独特性，在压缩残余ConvBN层中

的通道时可能会丢失这些信息

The number of shared HRM:

Loss function: