• 论文：《PolyLaneNet: Lane Estimation via Deep Polynomial Regression》
• 代码：https://github.com/lucastabelini/PolyLaneNet
• 地址：https://arxiv.org/pdf/2004.10924.pdf
• 参考：https://blog.csdn.net/sinat_17456165/article/details/107171888
• 利用 CNN，基于三次曲线拟合车道线

模型的输入与输出

输入

单张车辆前向图

输出

曲线参数 Pj={ak,j}k=0K\mathcal{P}_j=\{a_{k,j}\}^K_{k=0}Pj​={ak,j​}k=0K​、地平线高度 hhh、车道线的存在性 cjc_jcj​、车道线起始高度 sjs_jsj​（见下图）

其中，曲线参数确定了车道线的形状：

pj(y)=Σk=0Kak,jykp_j(y)=\Sigma^K_{k=0}a_{k,j}y^k pj​(y)=Σk=0K​ak,j​yk

模型结构

backbone + fully connected layer

f(I;θ)=({Pj,sj,cj}j=1Mmax,h)f(I;\theta)=(\{\mathcal{P}_j,s_j,c_j\}^{M_{max}}_{j=1}, h) f(I;θ)=({Pj​,sj​,cj​}j=1Mmax​​,h)

损失函数

L({Pj},h,{sj},{cj})=WpLp({Pj},{Lj∗})+Ws1MΣjLreg(sj,sj∗)+Wc1MΣjLcls(cj,cj∗)+WhLreg(h,h∗)\begin{aligned} L(\{\mathcal{P}_j\},h,\{s_j\},\{c_j\})&=W_p L_p(\{\mathcal{P}_j\},\{\mathcal{L}^*_j\})\\&+W_s\frac{1}{M}\Sigma_j L_{reg}(s_j,s^*_j)\\&+W_c\frac{1}{M}\Sigma_j L_{cls}(c_j,c^*_j)\\&+W_h L_{reg}(h,h^*) \end{aligned} L({Pj​},h,{sj​},{cj​})​=Wp​Lp​({Pj​},{Lj∗​})+Ws​M1​Σj​Lreg​(sj​,sj∗​)+Wc​M1​Σj​Lcls​(cj​,cj∗​)+Wh​Lreg​(h,h∗)​

其中，

Lp({Pj},{Lj∗})=Lreg(xj,xj∗)L_p(\{\mathcal{P}_j\},\{\mathcal{L}^*_j\})=L_{reg}(\pmb{x}_j,\pmb{x}^*_j) Lp​({Pj​},{Lj∗​})=Lreg​(xj​,xj∗​)
xj=[x1,j,...,xN,j]\pmb{x}_j=[x_{1,j},\ ...,\ x_{N,j}] xj​=[x1,j​, ..., xN,j​]
xi,j={pj(yi,j∗),if∣pj(yi,j∗)−xi,j∗∣>τloss0,otherwisex_{i,j}=\begin{cases}p_j(y^*_{i,j}),\ \ \ \ if\ |p_j(y^*_{i,j})-x^*_{i,j}|>\tau_{loss}\\ 0,\ \ \ \ \ \ \ \ \ \ \ \ \ \ otherwise \end{cases} xi,j​={pj​(yi,j∗​),    if ∣pj​(yi,j∗​)−xi,j∗​∣>τloss​0,              otherwise​

注意这里的0，可以这样理解：设置0之后，就不用计算对应位置的 grad 了。