前言

这篇文章借鉴Faster R-CNN，文章与Faster R-CNN进行对比阐述。虽然没有提供源码，但是个人认为论文解释的比较详细。

一、摘要简介

文章提出了一个LPU(Line Proposal Unit)，类似于Faster R-CNN的RPN，但是与Faster R-CNN的整体结构不同，后面进行解释，在T i t a n X G P U 上面达到了30FPS。

在这里插入图片描述

对于FasterR-CNN中的RPN，特征图中的每个滑动窗口处，预设了k个anchor。RPN预测出每个滑动窗口处对应anchor的2个分类score以及4个回归参数。对于HxW特征图，一共预测HWk个anchor参数。
对于本文的LPU，只对特征图中三个边界处预设了k个line proposal，这里的三个边界分别对应原图的左边、右边、以及中间，这里的line proposal指的是从三个边界处出发的射线，下图代表的是下边界滑动窗口a处对应的k个line proposal。
LPU预测左、右、下每个滑动窗口对应k个line proposal的2+S+1维向量，两个分类参数(从图上看，只有一个，但是论文中描述为两个)，一个长度参数，S个相对于该line proposal的水平偏移量，S+1共同回归。line proposal+水平偏移量而得到最终的车道线，如下面第二幅图。
与FasterR-CNN中的RPN不同的一点，由FPN预测出来的结果并不作为FasterR-CNN的最终结果，因为FasterR-CNN还需要再经过Fast R-CNN那部分输出最终的结果。LPU输出的结果是要作为最终结果使用的。

在这里插入图片描述

实际车道线采用一些点进行描述，以多条水平线进行切片，得到水平线与车道线的交点，即固定纵坐标，使用横坐标的一个集合去表示车道线。
实际车道线表示：
$l=\left\{x_{s^{l}}, x_{s^{l}+1}, \cdots, x_{e^{l}}\right\}$
LIne Proposal表示：
$L=\left\{X_{s^{L}}, X_{s^{L}+1}, \cdots, X_{i n f}\right\}$
正负样本确定
$s^{c}=\max \left(s^{L_{i}}, s^{l_{j}}\right), e^{c}=\min \left(i n f, e^{l_{j}}\right)=e^{l_{j}}$
$D\left(L_{i}, l_{j}\right)=\left\{\begin{array}{ll} \frac{\sum_{p=s^{c}}^{e^{c}}\left|X_{p}-x_{p}\right|}{e^{c}-s^{c}+1}, & e^{c} \geq s^{c} \\ i n f, & e^{c}<s^{c} . \end{array}\right.$
计算出Lne Proposal–Li与真实车道线lj的距离D，对于当前车道线来说，D最小且D小于设定的阈值t_pos(采用的15，并且最后NMS使用的阈值也为15)时，为正样本
损失函数
$\mathcal{L}\left(p_{i}, \mathbf{r}_{i}\right)=\lambda \sum_{i} \mathcal{L}_{c l s}\left(p_{i}, p_{i}^{*}\right)+\sum_{i} p_{i}^{*} \mathcal{L}_{r e g}\left(\mathbf{r}_{i}, \mathbf{r}_{i}^{*}\right)$
由分类与回归两部分组成，分类确定预测的Line Proposal是实际车道线的置信度
回归部分
$\mathbf{r}_{i}^{*}=\left\{e^{l_{j}}-s^{l_{j}}+1, x_{s^{l_{j}}}-X_{s^{L_{i}}}, x_{s^{l_{j}}+1}-X_{s^{L_{i}+1}}, \cdots\right\}$