RESA车道线路沿检测

RESA车道线路沿检测一 当前车道线检测遇到的问题 1 车道标注中固有的稀疏监督信号 使其一直很有挑战性 2 传统卷积不能很有效的提取细长的车道线和路沿 方格内有效特征很少 没有利用形状先验 3 SCNN 提出在行列间传递信息 但是顺序信息传递是耗时的 相邻行列传递信息需要多次迭代 长距离传播容易丢失信息 解释

大家好,我是讯享网,很高兴认识大家。

一、当前车道线检测遇到的问题

1、车道标注中固有的稀疏监督信号,使其一直很有挑战性

2、传统卷积不能很有效的提取细长的车道线和路沿(方格内有效特征很少),没有利用形状先验

3、SCNN提出在行列间传递信息,但是顺序信息传递是耗时的,相邻行列传递信息需要多次迭代,长距离传播容易丢失信息

解释:SCNN是切片,当前的i片特征经过一个[1,w]的卷积后再relu一下与i+1片相加作为新的i+1片,这样是逐个计算的,长距离传递容易丢失信息,比如到128条时,之前第一条传过来的信息已经淡化没了。

二、本论文提出的方法

1、提出RESA模块,利用车道的强形状先验,捕获行列间的空间关系

a.   采用并行方式传递信息,大大降低时间成本。

b.   信息以不同的步长传播,一个像素多次叠加另一个像素,防止长距离信息丢失同时使每个像素都能够收集全局信息。

c.    可以很方便的合并到其他网络

2、提出双边上采样解码器BUSD

一个分支用于捕获粗粒度特征upsample上采样算子采用双线性插值


讯享网

一个分支用于捕获细粒度特征,转置卷积+两个non-bottleneck修复细微损失

可以将低分辨率特征精确的恢复为逐像素特征

三、模型结构

 编码层:ResNet或VGG

RESA层:

BUSD双边上采样层:

四、代码解析

class RESA(nn.Module): def __init__(self, cfg): super(RESA, self).__init__() self.iter = cfg.resa.iter # 5 chan = cfg.resa.input_channel #channel层数128 fea_stride = cfg.backbone.fea_stride #骨干网络降采样倍数 8 self.height = cfg.img_height // fea_stride # 得到特征图的长宽 self.width = cfg.img_width // fea_stride self.alpha = cfg.resa.alpha # 2 conv_stride = cfg.resa.conv_stride #9 #每个方向的卷积都要迭代iter次,初始化卷积 for i in range(self.iter): #一行九列卷一下 conv_vert1 = nn.Conv2d( chan, chan, (1, conv_stride), padding=(0, conv_stride//2), groups=1, bias=False) conv_vert2 = nn.Conv2d( chan, chan, (1, conv_stride), padding=(0, conv_stride//2), groups=1, bias=False) #setattr(object, name, value)用于设置属性值 setattr(self, 'conv_d'+str(i), conv_vert1) setattr(self, 'conv_u'+str(i), conv_vert2) #九行一列卷一下 conv_hori1 = nn.Conv2d( chan, chan, (conv_stride, 1), padding=(conv_stride//2, 0), groups=1, bias=False) conv_hori2 = nn.Conv2d( chan, chan, (conv_stride, 1), padding=(conv_stride//2, 0), groups=1, bias=False) setattr(self, 'conv_r'+str(i), conv_hori1) setattr(self, 'conv_l'+str(i), conv_hori2) #[1,2,3,4.......,31,0] #[2,3,4,5,......,0,1] #[4,5,6,7,......,2,3] #[8,9,10,.......,6,7] #得到并行计算的下标 idx_d = (torch.arange(self.height) + self.height // 2(self.iter - i)) % self.height setattr(self, 'idx_d'+str(i), idx_d) idx_u = (torch.arange(self.height) - self.height // 2(self.iter - i)) % self.height setattr(self, 'idx_u'+str(i), idx_u) idx_r = (torch.arange(self.width) + self.width // 2(self.iter - i)) % self.width setattr(self, 'idx_r'+str(i), idx_r) idx_l = (torch.arange(self.width) - self.width // 2(self.iter - i)) % self.width setattr(self, 'idx_l'+str(i), idx_l) def forward(self, x): x = x.clone() for direction in ['d', 'u']: for i in range(self.iter): #获取对象属性 conv = getattr(self, 'conv_' + direction + str(i)) idx = getattr(self, 'idx_' + direction + str(i)) #在一行九列上卷积,在行上相加,根据idx进行并行相加 x.add_(self.alpha * F.relu(conv(x[..., idx, :]))) for direction in ['r', 'l']: for i in range(self.iter): conv = getattr(self, 'conv_' + direction + str(i)) idx = getattr(self, 'idx_' + direction + str(i)) x.add_(self.alpha * F.relu(conv(x[..., idx]))) return x

讯享网

小讯
上一篇 2025-01-15 11:03
下一篇 2025-03-17 17:38

相关推荐

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/132034.html