自动驾驶论文:Key Points Estimation and Point Instance Segmentation Approach for Lane Detection及其Pytorch实现

网友投稿 820 2022-09-06

自动驾驶论文:Key Points Estimation and Point Instance Segmentation Approach for Lane Detection及其Pytorch实现

自动驾驶论文:Key Points Estimation and Point Instance Segmentation Approach for Lane Detection及其Pytorch实现

Key Points Estimation and Point Instance Segmentation Approach for Lane Detection PDF: ​​​​​提出的车道线检测框架

给定输入图像,PINet会预测三个值,置信度、偏移量和特征。 根据置信度和偏移量输出,可以预测车道上的精确点,并且特征输出将预测点分割到每个实例中。 最后,应用后处理模块生成平滑车道。

2 车道实例点网络(Lane Instance Point Network)

PINet包括三个主要部分。 大小调整为512x256的输入数据由大小调整层(resizing layer)压缩,并将压缩的输入传递到特征提取层。 在每个沙漏(hourglass)块的末尾有三个输出分支,分别预测每个网格的置信度、偏移量和实例特征。

2-1 大小调整层(resizing layer)

512x256 -----> 64x32 或者 32x16

2-2 特征提取层(feature extraction layer)

特征提取层由两个沙漏块组成, 沙漏块的详细架构如下

2-3 输出分支(output branches)

输出分支的滤波器器数量由输出值确定。即置信度分支(Confidence branch)为1,偏移分支(Offset branch)为2,特征分支(Feature branch)为4

三个分支的损失函数分别为:

Confidence branch loss:

Offset branch loss:

feature branch loss:

总损失函数为三个之和

3 后处理(Post processing)

后处理步骤:

后处理示意图:

后处理结果:

PyTorch代码:

版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。

上一篇:数据库管理中DML、DDL、DCL的区别详解(数据库ddl dml dcl dql)
下一篇:LINQ学习之旅(五)
相关文章

 发表评论

暂时没有评论,来抢沙发吧~