网站规划开发前景,网站建设中的多语言翻译如何实现,phpcms做企业网站授权,网站推广优化价格参考代码#xff1a;LATR
动机与主要工作#xff1a; 之前的3D车道线检测算法使用诸如IPM投影、3D anchor加NMS后处理等操作处理车道线检测#xff0c;但这些操作或多或少会存在一些负面效应。IPM投影对深度估计和相机内外参数精度有要求#xff0c;anchor的方式需要一些如…参考代码LATR
动机与主要工作 之前的3D车道线检测算法使用诸如IPM投影、3D anchor加NMS后处理等操作处理车道线检测但这些操作或多或少会存在一些负面效应。IPM投影对深度估计和相机内外参数精度有要求anchor的方式需要一些如NMS的后处理辅助。这篇文章主要的贡献有两点
1针对车道线的特性基于DETR目标检测算法提出了一种基于landline query的检测方法为了使得query的初始化更合理借鉴了SparseInst方法从2D图像域中用不同实例来初始化query并且建立车道线query的粒度不是车道线级别而是具体到了车道线上的点。2用图像特征作为key和val是较难去学习其中的3D信息的在相机内外参数已知情况下构建一个可学习的3D空间位置编码通过decoder中多轮迭代和与图像特征融合预测残差方式不断修正3D空间位置编码。
检测器的结构 这篇文章的方法流程见下图所示 可以从上图中看到backbone出来之后接一个车道线实例预测网络由此实现lane query生成和初始化。对于图像特征使用3D信息嵌入的位置编码只不过这个位置编码是在给定一个的初始化基础上修正而来的也就是说在transformer解码的过程中这个位置编码的值是动态的。
车道线query构建 这部分参考SparseInst中对于inst feature的构建过程具体可以去查阅对应的论文由此可以得到车道线query的特征表达 Q l a n e ∈ R N ∗ C Q_{lane}\in R^{N*C} Qlane∈RN∗C这里是从特征图尺寸最大的那个特征上得到的。而对于车道线来说其是由多个点组成的那么还需要对上面的点构建query这里通过设定可学习的参数来实现 Q ∈ R M ∗ C Q_{}\in R^{M*C} Q∈RM∗C。那么接下来就是使用broadcast机制实现最后车道线的query构建 Q ∈ R ( N ∗ M ) ∗ C Q\in R^{(N*M)*C} Q∈R(N∗M)∗C
实例点query的形式效果才是最好的
图像feature的位置编码 这里关注的是自动驾驶场景下的车道线则根据车道线的分布特点可以为对应2D图像特征设置位置编码。这里的位置编码是首先在3D空间中进行采样也就是文章定义的3D地平面之后通过相机内外参数投影到图像中以此来作为对应图像位置处的3D位置来源。只不过这里的3D地平面是动态更新的在transformer的不同层中会预测不同的更新残差定义的残差变量有旋转角度和平面高度则上一轮的平面点会使用下面的矩阵进行更新
则在原本不准确的3D平面上就可以通过自适应回归的方式优化3D地平面由此实现特征3D位置编码的优化地平面的约束使用过车道线上的点投影建立起来的也就是使得下图中的绿色平面与红色的车道线接近。不过截止10.09.2023这部分的代码并没有开放出来。下图展示了地平面会随着迭代的进行收敛到实际车道线的位置上 分析位置编码的作用首先看位置编码带来的性能提升
从上表可以看到位置编码确实能带来性能的提升无论是视锥还是固定平面编码只不过这里动态平面编码的方式更加适合车道线因而相比起来有1个点的提升。这里说明准确的位置编码有助于得到更好的检测性能而且文章提出的平面优化自由度只有2个更多的维度是否能更好呢
车道线query位置编码两者对检测性能的影响
对于后面车道线的解码部分就跟传统的DETR一致了这里就不做展开。
不同数据集下的性能表现 OpenLane validation OpenLane不同天气条件下的表现
