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。