車道線分割預研
車道線方案
總結miou_category，miou_class:
空間平移不變性，乙個 kernel 就需要同時學習 spatial correlations 和 cross-channel correlations，spatial correlations 學習的是某個特徵在空間中的分布，cross-channel correlations 學習的是這些不同特徵的組合方式。 如果在 1x1 卷積後不加以啟用直接進行 depthwise separable convolution，無論是在收斂速度還是效果上都優於在 1x1 卷積後加以 relu 之類啟用函式的做法。 這可能是因為，在對很淺的 feature（比如這裡的 1-channel feature）進行啟用會導致一定的資訊損失，而對很深的 feature，比如 inception module 提取出來的特徵，進行啟用是有益於特徵的學習的，個人理解是這一部分特徵中有大量冗餘資訊。aspp 方法的優點是該種結構可以提取比較 dense 的特徵，因為參考了不同尺度的 feature，並且 atrous convolution 的使用加強了提取 dense 特徵的能力。 decoder 中就可以起到修復尖銳物體邊界的作用.
前期資料有限，直接測試訓練集，最後訓練集和測試集分別達到94%，61%（標註和泛化原因）
加入vpgnet標籤擴充（8*8網格化）
將mobilenet_v2最後output_stride設定為16的方式改為直接對網路結構第13個depthwise conv結構處的stride從2改為1（原始是在內部通過dilation rate從1設定為2，stride從2設定為1來達到不下取樣的目的，這樣引入了spacetobatchnd和batchtospacend來實現dilation conv）
去掉aspp和decoder
去掉image_pool
新增水平方向bilstm隱藏層大小為32，輸出為2x32，lstm太佔資源。其中feature_w為時間步，隱藏層為feature_h x 32，（對的，在車牌中h為1了，但是這裡為49所以乘以32，已經很大的hiddensize了），但是效果不佳，最高miou_1.0只到了58.5%
反覆finetune漲點到88%
後來又將decoder結構加回去，低層分支特徵對邊緣比較敏感，直接從88%提到94%，而且不擴充標籤，效果也很精細。
最後對分割網路結果進行多級分塊和ransac擬合
之前mobilenetv2為主幹
2.resnet101主幹，精度更高些2%點的樣子
用語義分割來做車道線檢測
語義分割這幾年發展真的快，去年暑假我用enet分割車道線，效果還行，速度很快，前幾天逛github又發現一大堆更好的網路，erfnet shufflenet等，都是一些變種的網路，看他們 的結果都是乙個比乙個好。這裡先記錄一下之前跑enet的結果。模型是用的github上tensorflow版本的e...
車道線跟蹤
在完成車道線檢測後，接下來要做的就是車道線的跟蹤，這也是智慧型汽車輔助駕駛的關鍵技術。在此領域的研究中，產生了多種車道線演算法，如aurora的自適應的模板相關法，該方法只能在路面狀況緩慢變化時工作良好 lois的變形模板法，能處理影象中車道邊緣比較弱的情況，而且還能排除路面陰影 汙水等的影響 ra...
車道線檢測之3D車道線檢測
可參考文獻 有相機座標系ccamera和道路座標系croad，作者假定兩個座標系的roll和yaw一致，僅存pitch的差異，那麼，兩座標係之間的轉換關係tc2r將由h cam和camera pitch確定，其中，h cam和camera pitch由模型 輸入為相機採集的影象，輸出分為2部分，第一...