Lane-ATT：论文阅读

原创

已于 2022-06-19 21:42:35 修改 · 2.2k 阅读

于 2022-06-19 12:27:27 首次发布

这篇博客介绍了圣埃斯皮里托联邦大学的研究成果，关注于lane_ATT网络，一种基于anchor和全局信息的车道线检测方法。文章详细阐述了如何利用锚点表示、特征融合和Attention机制来提高预测精度，尤其是在处理局部特征和全局上下文方面。

低功耗蓝牙项目，需要一块懂省电的板

思澈 SF32LB52 芯片，BLE 协议栈深度优化，上手即开发

点击查看

0. 前言

读一遍论文，认识一所大学，一家机构，让我们知道，世界很大，你不是一个人在研究某个领域。今天我们看到的是Universidade Federal do Esp´ırito Santo (UFES)的成果，圣埃斯皮里托联邦大学，位于巴西东南部。好的，以后有机会去巴西，一定去这所大学门口拍照留念一下。

1. 论文摘要

其实是继LaneCNN之后，以anchor_based为核心的车道线检测方法，作者一直在强调global information对于车道线检测的影响，确实，如果基于这种思想的话，anchor其实本身就是对global information的提取或者说先验知识，车道线问题视为对anchor的回归问题，的确很有道理。

2. 网络构成

下图即为lane_ATT网络构成，先不用急的看网络，我们先理一下输入输出。
在这里插入图片描述

2.1 Lane的表示

本质上，车道线就是图中一些点集，回归的本质就是找到每一行上最符合这条车道线的点的位置，最简单的方法就是去遍历每一行，在这里，我们把图像的左下角为坐标原点，向上为Y轴正方向，向右为X轴正方向。一般来说，为了减少计算量，我们一般会采用等间距采样的方法，其实拟合一条三次方程的车道线至少需要4个点，所以我们只需要大于4个点的采样即可。N_pts就是我们要采样的个数。
在这里插入图片描述
这样我们相当于固定了Y轴，那么车道线只需要一个X轴上的数组就可以表示