洞察移动政务小程序助力政府数字化转型,保障数据安全和效率提升
832
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
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。
发表评论
暂时没有评论,来抢沙发吧~