《RCLane：Relay Chain Prediction for Lane Detection》论文笔记_relay chain车道线描述算法-优快云博客

本文链接：https://blog.youkuaiyun.com/m_buddy/article/details/126276520

本文介绍了RCLane论文，一种基于关键点的车道线建模方法，利用Segformer进行二值分割并预测distance map和transfer map。通过关键点推理，算法能够适应复杂的车道结构，如分离汇入和弯道。实验结果表明，该方法在CULane和CurveLanes数据集上表现优越。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考代码：RCLane

1. 概述

介绍：在这篇文章中介绍了一种新的车道线描述范式（基于点的车道线建模），也就是通过关键点（文章对应称之为relay points）和关键点之间的关系场构建推理出车道线。具体为文章通过segformer实现车道线二值分割得到分割结果 $S$ ，并同时通过不同的head预测 $T$ （transfer map，用于确定临近点位置）和 $D$ （distance map，用于确定终止点），之后在 $S$ 上做point-nms实现车道线上点的确立，以这些点为起点结合 $D$ 和 $T$ 推理出整条车道线。按照这样的思想该算法具有较强的车道线结构适应能力，如分离汇入、弯道场景也能很好建模，目前就公开数据集性能已经超过之前的condlanenet了，还是值得期待完整开源的。

2. 方法设计

2.1 整体pipeline

文章的整体结构见下图所示：
在这里插入图片描述
这篇文章是以segformer作为benchmark，并在其基础上添加两个head，分别实现 $D$ （distance map）和 $T$ （transfer map）预测工作，也就是对应图中左边半边部分。需要注意的是 $T$ 和 $D$ 预测的都是双向的，这样可以从任意的一个点上进行推理得到整条线。对于推理的起点这里是通过对车道线二值分割结果进行point-nms选择实现的，最后对所有推理出来的线进做IoU-NMS操作得到最终输出结果。因而这篇文章的算法后处理是相对较重的。

2.2 distance map和transfer map的表示

对于这两个map的描述可见下图中的（a）图：
在这里插入图片描述
其中 $\bar{T}_f(p_i),\bar{T}_b(p_i)$ 表示的是当前点 $p_i$ （车道线二值mask上的每一个点）到相邻两个点的affine filed（也就是分别对应的forward和backward方向）， $\bar{D}_f(p_i),\bar{D}_b(p_i)$ 表示的是当前点 $p_i$ 分别到端点的距离。

distance map：
该图描述的是车道线上点到两个端点的距离关系，这里依据车道线点的y坐标划分forward还是backward，具体为最小y坐标值（对应坐标点 $p_{end}^f=(x_{end}^f,y_{end}^f)$ ）和最大y坐标值（对应坐标点 $p_{end}^b=(x_{end}^b,y_{end}^b)$ ）。那么当前点 $p_i$ 对应的distance map标注可以描述为：
$\bar{D}_f(p_i)=\sqrt{(x_i-x_{end}^f)^2+(y_i-y_{end}^f)^2}$