做一个企业的网站怎么做的,泰国房产网站大全,一站式做网站多少钱,ASP.NET与网站开发实践教程参考代码#xff1a;BeMapNet。PS#xff1a;代码暂未放出#xff0c;关注该仓库动态
动机和主要贡献 在MapTR系列的算法中将单个车道线建模为固定数量的有序点集#xff08;对应下图Evenly-based#xff09;#xff0c;这样的方式对于普通道路场景具备一定适应性。但是…参考代码BeMapNet。PS代码暂未放出关注该仓库动态
动机和主要贡献 在MapTR系列的算法中将单个车道线建模为固定数量的有序点集对应下图Evenly-based这样的方式对于普通道路场景具备一定适应性。但是却存在对复杂道路建模能力不足对简单道路建模冗余的问题针对这样的问题解决思路便是网络依据车道线具体情况预测关键点对应下图Pivot-based也就是像下图这样使用关键点描述车道线元素 为了使得网络能够依据具体场景动态输出车道线关键点数量文章做了以下几个方面的工作
1对laneline的query做了修改使用对每个关键点point-query采用学习的方式这样可以使的点与点之间表达可以独立这样更有利于这样动态点的表示2将lane-query和bev下的车道线分割建立关联使得网络对车道线拓扑结构感知更清晰同时收敛速度变快3对于关键点匹配提出一种代价最小化动态规划算法加快匹配速度
方案流程与框图 从上图的框图可以看到算法分为如下几个部分
1BEV query构建BEV特征2按照点建模的方式构建车道线表达并通过mlp获得车道线实例表征之后通过矩阵乘法得到车道线分割结果这样车道线具有了对位置和车道结构感知能力3使用提出的动态匹配算法建立预测和真值之间的关联实现车道线预测
车道数据预处理 在数据预处理中需要对车道线中的关键点进行抽取如下图所示 对这样的问题可以采用距离阈值类的方法实现如Douglas-Peuker。
车道线实例化表达 在初始的时候使用一堆点的方式构建车道线query它的维度是 Q m , n ∈ R M ∗ N ∗ C Q_{m,n}\in R^{M*N*C} Qm,n∈RM∗N∗C其中 M , N M,N M,N分别代表车道实例数和车道线线上最大点数。注意由于每条车道线中关键点的位置是不一致的则使用share方式构建的point-query会存在一定歧义也就是文中说的Hierarchical Query这种share方式构建的index-dependent而对于动态预测车道线关键点则需要index-independent。它们两者的对车道线的建模方式对比见下图
自然在文章算法所需要的场景下这两种建模方式的性能比较
query确定之后其经过几层全联接得到车道线的表达 I m ∈ R C I_m\in R^C Im∈RC再与BEV特征 F b ∈ R C ∗ H ∗ W F_b\in R^{C*H*W} Fb∈RC∗H∗W做矩阵乘法得到分割结果 M m ∈ R H ∗ W \mathcal{M}_m\in R^{H*W} Mm∈RH∗W也就是下图表述的过程 这里涉及到分割损失 L L A L b c e ( M ^ l i n e , M l i n e ) L d i c e ( M ^ l i n e , M l i n e ) \mathcal{L}_{LA}L_{bce}(\hat{M}_{line}, M_{line})L_{dice}(\hat{M}_{line}, M_{line}) LLALbce(M^line,Mline)Ldice(M^line,Mline)
车道线回归 上述内容得到了车道线的实例表达接下来就是预测得到车道线的回归值 S ^ { v ^ n } n 1 N \hat{S}\{\hat{v}_n\}_{n1}^N S^{v^n}n1N而关键点的真值 S p { v n } n 1 T S^p\{v_n\}_{n1}^T Sp{vn}n1T。由于两者的数量是不一致的需要在预测中寻找与关键点真值最匹配的一组点也就是下图描述的这样 自然是不能用暴力枚举的方式了这里使用了动态规划寻找最小代价的方式具体实现文章里已经给出了。那么对于监督这块可以具体划分为几个部分
按照匹配的结果对关键点构建约束 L p p 1 T ∑ n 1 T ∣ ∣ S ^ n p − S n p ∣ ∣ 1 L_{pp}\frac{1}{T}\sum_{n1}^T||\hat{S}^p_n-S^p_n||_1 LppT1n1∑T∣∣S^np−Snp∣∣1 除开关键点之外的其它点则采用插值的方式构建约束首先由关键点得到其它点 C n , r ( 1 − θ n , r ) S n p θ n , r S n 1 p C_{n,r}(1-\theta_{n,r})S^p_n\theta_{n,r}S^p_{n1} Cn,r(1−θn,r)Snpθn,rSn1p 则预测的关键点和真实关键点之间差值的结果建立约束 L c p 1 N − T ∑ n 1 T − 1 ∑ r 1 R n ∣ ∣ C ^ n , r − C n , r ∣ ∣ 1 L_{cp}\frac{1}{N-T}\sum_{n1}^{T-1}\sum_{r1}^{R_n}||\hat{C}_{n,r}-C_{n,r}||_1 LcpN−T1n1∑T−1r1∑Rn∣∣C^n,r−Cn,r∣∣1 对于每条车道线都会预测出 N N N个点那么那些点才是关键点呢这里使用BCE方式去约束 L c l s 1 N ∑ n 1 N L b c e ( p n , f ( S ^ n ∈ S ^ p ) ) L_{cls}\frac{1}{N}\sum_{n1}^NL_{bce}(p_n,f(\hat{S}_n\in \hat{S}^p)) LclsN1n1∑NLbce(pn,f(S^n∈S^p)) 最后车道线回归部分损失就是几个的和 L D V S α 1 L p p α 2 L c p α 3 L c l s L_{DVS}\alpha_1L_{pp}\alpha_2L_{cp}\alpha_3L_{cls} LDVSα1Lppα2Lcpα3Lcls
实验结果 与其它一些向量化车道线方法的对比
