FastDraw：通过适配序列预测网络解决车道检测的長尾问题
计算机视觉与模式识别
2019-05-15 v2
摘要
寻找能够泛化到传感器输入长尾的预测模型是开发自动驾驶数据驱动模型时的核心困难。在本文中，我们以车道检测为研究对象，探讨能在真实世界试驾中取得更好性能的建模与训练技术。在建模方面，我们引入了一种新颖的全卷积车道检测模型，该模型学习解码车道结构，而非将结构推断交由后处理完成。与先前工作不同，我们的卷积解码器能够表示每幅图像中任意数量的车道，保持车道的折线表示而不将车道简化为多项式，并迭代地绘制车道而无需循环神经网络的计算与时间复杂度。由于我们的模型包含对同一车道相邻像素联合分布的估计，我们的公式天然地给出了一种计算代价低廉的不确定性定义。在训练方面，我们展示了一种简单而有效的利用无监督风格迁移使模型适配新环境的方法。通过训练 FastDraw 做出对图像间低级风格差异不变的车道结构预测，我们在与公开标注数据集的天气和光照条件差异显著的测试条件下取得了强劲性能。我们在 CVPR 2017 Tusimple 车道线挑战赛、困难的 CULane 数据集以及我们自己的一个小型标注数据集上定量评估了我们的方法，并在以 90 FPS 运行的同时取得了具有竞争力的精度。
引用
@article{arxiv.1905.04354,
title = {FastDraw: Addressing the Long Tail of Lane Detection by Adapting a Sequential Prediction Network},
author = {Jonah Philion},
journal= {arXiv preprint arXiv:1905.04354},
year = {2019}
}
备注
CVPR 2019 poster