聚焦局部：通过关键点自底向上检测车道线
计算机视觉与模式识别
2021-05-31 v1
摘要
主流车道线检测方法通过预测整体结构并经由后处理推导参数化曲线来实现。复杂的车道线形状需要CNN的高维输出以建模全局结构，这进一步增加了对模型容量和训练数据的需求。相比之下，车道线的局部具有有限的几何变化和空间覆盖。我们提出了一种新颖的车道线检测方案FOLOLane，其专注于建模局部模式并以自底向上的方式实现全局结构的预测。具体而言，CNN以两个独立头建模低复杂度的局部模式，第一个头预测关键点的存在，第二个头在局部范围内细化关键点位置并将同一条车道线上的关键点相关联。该任务的局部性与CNN中特征的有限视场一致，进而带来更稳定的训练和更好的泛化能力。此外，还提出了一种面向效率的解码算法以及一种贪婪解码算法，以可忽略的性能下降为代价实现了36%的运行时间增益。这两种解码器都将局部信息整合到车道线的全局几何中。在缺乏复杂网络架构设计的情况下，所提方法在公开数据集上大幅优于所有现有方法，同时取得了最佳SOTA结果和实时处理。
引用
@article{arxiv.2105.13680,
title = {Focus on Local: Detecting Lane Marker from Bottom Up via Key Point},
author = {Zhan Qu and Huan Jin and Yang Zhou and Zhen Yang and Wei Zhang},
journal= {arXiv preprint arXiv:2105.13680},
year = {2021}
}
备注
Accepted to CVPR 2021