LaneNet论文：实时的车道线检测

LaneNet网络主要分成两部分：①车道线边缘提取（像素级别的车道线分类） ② 车道线定位

车道线边缘提取（编码部分）：

• 对输入图片上的每个像素进行二进制分类,而并非对车道线进行手工标注

• 采用轻量级的编码——解码的网络结构：编码部分采用深度可分离卷积（3,3）+空洞卷积(扩大图片的感受野)+1*1卷积进行分层特征提取——>无参数解码层恢复feature map的大小(子像素卷积层)

• 有效减少维度的方法：把车道线边缘的映射图转化成车道线边缘点的坐标

• LaneNet 的图片输入并未做任何预处理，只做了逆透视变换(IPM)

• 网络结构图：
  
  车道线定位（解码部分）：

• 结构图：
  

• 使用sub-pixel convolution layers恢复feature map的大小
  sub-pixel convolution layers（子像素卷积），又叫做pixel shuffle，是一种图像和特征图upscale的方法。放大特征图的常见方法有直接上采样，双线性插值，反卷积等。sub-pixel是一种在超分辨率中经常使用的upscale方法。