Transformer 又立功了!又快(420 fps)又好的车道线检测算法

AI算法与图像处理

共 1198字,需浏览 3分钟

 ·

2020-11-16 18:30

点击上方AI算法与图像处理”,选择加"星标"或“置顶”

重磅干货,第一时间送达

来源:我爱计算机视觉。分享一篇新出的论文 End-to-end Lane Shape Prediction with Transformers,该文为车道线检测问题建立参数模型,使用Transformer捕获道路中细长车道线特征和全局特征,所发明的车道线检测算法与以往相比,可端到端训练、参数量更少、速度更快(高达420 fps,单1080Ti)。


该文作者信息:



Facebook的DETR目标检测算法,说明了Transformer用于计算机视觉的巨大潜力。


该文的一大目标即是将Transformer用于车道线检测,将其用于特征提取部分。


另外,车道线检测以往的方法往往需要经过特征提取和后处理两个过程,这使得整个算法不能端到端训练,作者借助于对车道线曲线和相机内参的描述,采用多项式参数模型来描述车道线,并配以Bipartite Matching Loss函数,实现端到端训练,网络的目标成为预测几个参数,这无需后处理且降低了计算量。


整体网络结构:




车道线参数模型:


对应于网络结构中的 Curve Parameters 的参数组。


在TuSimple数据集测试集上的结果比较:



该文方法取得了速度最快(使用ResNet18作骨干网,420 FPS),精度不是最好,但已经是接近目前文献报告的最好结果,而且参数量极小。(使用1080TI GPU)


使用二次曲线还是三次曲线模型拟合车道线更好呢?作者做了个实验:


结果发现三次曲线略胜一筹。


与PolyLaneNet算法检测结果比较:



可见,该文算法拟合的车道线更加精确。


下图为在作者收集的FVL数据集上的效果:


尽管训练集中没有夜间行车数据,但该文算法仍能很好的检测车道线,表明其强大的泛化能力。


论文地址:

https://arxiv.org/pdf/2011.04233.pdf

代码地址:

https://github.com/liuruijin17/LSTR

(尚未开源)


Transformer最近频频在计算机视觉领域出镜,还可能有哪些突破?欢迎留言。


END


下载1:leetcode 开源


AI算法与图像处理」公众号后台回复:leetcode,即可下载。每题都 runtime beats 100% 的开源好书,你值得拥有!



下载2 CVPR2020

AI算法与图像处公众号后台回复:CVPR2020即可下载1467篇CVPR 2020论文
个人微信(如果没有备注不拉群!
请注明:地区+学校/企业+研究方向+昵称


觉得不错就点亮在看吧


浏览 36
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报