浅谈CVPR2022 Traffic Line

" Paper Sharing - Traffic Line"

CVPR 2022 刚刚结束，而我最近一段时间一直在进行Traffic Line 相关的工作，所以趁着热度跟大家聊一聊CVPR 2022 中关于Traffic Line 相关的论文。这次主要挑选我认为比较有意思的一些Paper来跟大家分享一下。   

by 元戎感知组 Kivi·Wong

01

《Rethinking Efficient Lane Detection via Curve Modeling》

摘要

目前车道线处理方案包含以下三大类：

｜ Keypoint-base Method：类似于物体检测的方式，将车道线看成由若干关键点组成的线，然后进行关键点检测。例如：Line-CNN[1]、LaneATT[2]

｜Segmentation-base Method：这种方式将车道线标注为图像分割，通过图像分割的方式进行车道线检测。例如：HDMapNet[3]

｜Curve-base Method: 首先预定义曲线模型，通过对曲线模型的学习来获取图像中的车道线表示。例如：PolyLaneNet[4]

目前主流的方法是Keypoint-base Method和Segmentation-base Method，基于Curve-base Method的方法在性能上落后于其他的两类方法。在此基础上，作者认为主要的原因在于基于多项式的曲线参数形式很难被学习。

面对上述的情况，作者提出了一个问题，Curve-base相关方法是否有可能达到SOTA的水平？

作者观察到，贝塞尔曲线模型有足够的参数自由度，能够表征驾驶场景中的车道线线型。该曲线模型具有计算复杂性低、高稳定等优势，并且曲线参数模型拟合的方式也可以避免其他冗余的后处理（例如NMS）以及手动设计Anchor。这些优势都使得整体模型能够更加简洁高效。

本篇文章作者主要有两点创新点：

1. 提出了基于贝塞尔曲线拟合的车道检测方法

2. 提出了基于可变形卷积的特征反转融合模块

论文方法

贝塞尔曲线方程可由下式定义，曲线中的每个点均由多个控制点递归组合而确定。作者在实验过程发现，取n=3基本满足车道线的拟合需求。