标签:loss Lane 车道 aware Detection 概率 竖直 对应 row
网络结构没什么可说的,基本还是沿用特征提取+head的思路
这篇论文主要的贡献在于相比语义分割,可以人工划定对应的row 采样步长,以及每个row对应的块宽度,从而实现针对一个区块进行分类,对性能整体加速非常明显
这里主要记录一下loss的计算过程
分类loss:
(1) 将特征图按照行高划分为h行
(2) 每行单独按照一定宽度切分成w块,对每块做分类,输出以行为单位的概率,与GT计算loss,其中C为第几条车道线
结构loss:
(1) 判断竖直方向概率连续的loss: 由于车道线竖直方向是连续的,因此行与行之间车道线预测概率最大值应该在相邻区域,所以设计一个车道线结构的loss,既竖直方向预测概率的l1距离:
(2) 线形状约束loss:用二阶差分去约束车道线的形状的变化率
① 找到每一个row的最大概率对应的块,但是argmax不可微,所以换一种方式
② 引入对每个row对应的position做softmax,再对概率乘以Idx求和,这里会导致正确pos对应的idx与概率的积来主导
③ 在数值方向利用上式做二阶差分,差分值越小说明处于同一竖直方向
标签:loss,Lane,车道,aware,Detection,概率,竖直,对应,row 来源: https://www.cnblogs.com/ChrisInsistPy/p/16307655.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。