架构搜索文献笔记（9）：《CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point》

原创

已于 2022-04-13 02:15:37 修改 · 2.4k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #cnn

于 2022-04-13 02:12:38 首次发布

论文《CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point》提出了针对曲线车道检测的新型架构搜索框架。该框架包括弹性主干搜索、特征融合搜索和自适应点混合模块，以捕捉长距离车道信息和短程曲线细节。通过多目标搜索算法，实现了效率和精度的优化平衡。此外，论文还创建了一个更具挑战性的CurveLanes基准，验证了方法的有效性。

论文《 CurveLane-NAS: Unifying Lane-Sensitive
Architecture Search and Adaptive Point》-2020-ECCV**
论文链接
 代码链接

论文为机器翻译的，当时只想看个大概，好久以前的笔记

一、摘要及主要贡献

1.1 摘要

摘要：文章解决了曲线车道检测问题，它比传统的车道检测提出了更现实的挑战，以更好地促进现代辅助/自动驾驶系统。由于缺乏对远程背景信息和详细的曲线轨迹的建模，目前手工设计的车道检测方法不够鲁棒，不足以捕捉曲线车道，特别是远程部分。

在本文中，提出了一种新的车道敏感架构搜索框架，称为CurveLane–NAS，以自动捕获长距离相干和准确的短程曲线信息。它由三个搜索模块组成：a)一个特征融合搜索模块，为多层次特征更好地寻找局部和全局上下文的融合；b)一个弹性主链搜索模块，探索具有良好语义和延迟的有效特征提取器；c)一个自适应点混合模块，搜索多层次后处理优化策略，结合多尺度头预测。

此外，还推动发布了一个更具挑战性的基准测试，称为CurveLanes，以解决最困难的曲线车道。它由15万张图像和680万张标签的图像组成。在新的CurveLanes上的3实验表明，SOTA车道检测方法的性能显著下降，而模型仍然可以达到80%的F1-score。在传统车道基准，如CULane上的大量实验也证明了CurveLane-NAS的优越性。在CULane上获得了新的SOTA74.8%的F1-score。