鲁汶大学提出可端到端学习的车道线检测算法

近日，比利时鲁汶大学提出基于可微最小二乘拟合的端到端车道线检测算法，使该任务的学习过程不再割裂，实现整体的系统最优化。

该文作者信息：

背景

众所周知，深度学习的兴起，使端到端（end-to-end）的概念大行其道，一项任务能把各个步骤放在一个学习过程中进行优化往往比分步骤寻找最优更好。

但以往的车道线检测往往需要两个步骤：首先分割出车道线标志的mask，然后进行车道线模型参数拟合。

该文作者发现通过最小二乘拟合过程中实现反向传播是可行的，希望将此过程统一起来，直接端到端回归车道线参数。

网络架构

该算法网络架构示意图如下：

该文提出的算法主要包括两大部分：

1.用于预测一种类似分割的权重图（weight map）的深度学习网络，每条车道线对应一张权重图；

2.可微分的最小二乘拟合模块，使用加权最小二乘的方式计算每张权重图中对应的最佳拟合曲线的参数。

该算法特征学习的过程直接优化的感兴趣的任务的特征，隐式的学习特征自动去除了不稳定性，不需要像传统两步方案中需要处理异常点。

另外该方法并不只是黑盒，其中间结果类分割的权重图可以用于结果检查和可视化，有一定的可解释性。

上图为该文算法车道线检测结果，包括ortho-view图，及权重图的可视化结果。

实验结果

作者在TuSimple车道线检测数据集上进行了实验，下图是训练集和验证集上的错误率变化的可视化图：

图中紫色线为该文提出的算法，由上图可知，随着迭代步数的增加该文提出的算法取得了更小的错误率。

实验结果量化总结如下，该文提出的端到端算法取得了更低的错误率。

车道线检测结果示例：

论文下载

https://arxiv.org/pdf/1902.00293v1.pdf

代码地址

算法代码即将开源：

https://github.com/wvangansbeke/LaneDetection_End2End

但目前还未上传，估计正在准备。

总结

该文将可微分最小二乘模块引入车道线检测，取得了更低的错误率。

值得一提的是，最小二乘拟合属于计算机视觉中常用的基础算法，这也意味着本文使用的算法将在许多其他应用中也有用武之地。

另外，改造传统算法模块，使其可微分，加入端到端流程，也是不错的提升精度的思路。