目录

Abstract

INTRODUCTION

METHOD

1) Module I Point Estimation Module:

2) Module II Deviation Module:

B. Training for Two Modules

1) Training for Module I:

2) Training for Module II:

C. Deviation Based Clustering

2) Method II Angle-Based Clustering:

EXPERIMENTS

---

Abstract

本文提出了一种端到端框架DevNet，它由两个模块组成，通过距离偏差和角度的信息来捕捉车道线特征

INTRODUCTION

我们通过置信值和偏移值，对关键点进行优化。

然后，我们设计了一个偏差模块来预测预测点和它们在x轴和y轴上的假设起点之间的距离，并通过比较这些估计起点的位置来对实例进行划分。

我们将距离和角度信息整合到偏差损失中，以获得更准确的预测。

contributions

提出了一种包含关键点估计和偏差预测的两个模块的新方法。基于两个模块，开发了两种有效的后处理方法来划

分每个车道实例。

结合距离和角度的限制，提出了一种综合偏差损失函数来改进最终预测。

METHOD

首先，由骨干网对输入图像进行处理，提取特征，然后由两个模块负责输出置信度、偏移量和偏差三种值。通过

这些输出，可以对车道的预测位置和实例进行解码。

低级特征代表更多的位置相关信息，而高级特征则针对抽象的语义特征，但较少的位置信息，HRNet具有并行结构，在整个过程中实现了高分辨率表示和低分辨率表示之间的多重连接。

1) Module I Point Estimation Module:

它包含两个输出，置信度和偏移量。

式中，xc是置信单元的x轴坐标，yc是置信单元的y轴坐标，xo和yo是沿x轴和y轴对应的偏移量，xp和yp表示细化

后的预测位置。

2) Module II Deviation Module:

每个点在x轴和y轴上的车道起点之间都有一个距离，并且每个车道实例中的点共享相同的起点。每个点使用从偏差模块输出的绝对距离被描述为与起点的偏差，.综上所述，偏差模块预测预测点和y轴上的起始点之间的偏差(x，y)输出的特征图由两个通道组成，一个为x轴，另一个为y轴，每个值表示预测点与相应起始点之间的绝对距离。然后每个预测点都可以解码一个相应的起始点，

考虑到效率，我们插入了一层可变形卷积运算来预测更准确的距离估计。

两个模块输出相同大小但不同通道的三种类型的特征映射，如表二所示。

B. Training for Two Modules

提出了一个针对偏差模块的距离和角度感知损失函数。

1) Training for Module I:

2) Training for Module II:

C. Deviation Based Clustering

 

 

其中DL2是L2的距离。如果两个估计起始点的距离在阈值Dt内，则两个对应的起始点属于同一实例。

该方法相对是局部的，只集中于有限数量的估计车道起点。

2) Method II Angle-Based Clustering:

如果θi和θj的差值小于预定义的阈值θt，则对应的点具有相同的实例。

EXPERIMENTS

从结果来看，DevNet-disth在拥挤、眩目光类别中比其他方法得分更好，在正常曲线、箭头和夜间类别中表现更

好，但性能略低。