基于深度学习的车道线检测.pptx

检测效果 项目车道线检测输出结果展示 Deep Lane Detection 数据集介绍: 常用数据集：CULane Dataset，Tusimple(特点就是非常大，视频文件) https://xingangpan.github.io/projects/CULane.html made in beijing，国内的车道线检测benchmark Deep Lane Detection 数据增强 主要就是平移操作，小幅度旋转等 Deep Lane Detection 标签延申 标注数据中很多车道线没到尽头就没了，可以再补全标签 通过一个线性拟合来得到没到尽头的那些线该咋延申 Deep Lane Detection 标签与输出结果 这标签咋看起来一片黑呢，其实里面有信息，源码里才能读出来 根据模型需要，输出标签为[4,18]矩阵，表示4条车道线在18个位置上的具体点 Deep Lane Detection 特征匹配完之后能做什么呢？ 输入图像：[batch,3,288,800]返回backbone中三层的结果(分割要用的) Deep Lane Detection 任务分析 其实就是把H和W两个维度展开，做成网格来进行预测任务 Deep Lane Detection 注意咱们最后完成的是分类任务 最后全连接输出14472个特征，为啥是这个数呢？ 14472 = [201,18,4]；其中[18,4]是要与标签对应，201则是分类概率 其中0-199表示位置类别，201表示是否不存在车道 Deep Lane Detection 损失函数 1.分类损失，Focal Loss : (源码中考虑了样本权重) 2.相似损失： （相邻的位置分类结果应接近） 3.期望替代绝对：预测得到的实际位置点由200个大众评委期望得到 常规计算： 预测位置： ，损失计算： Deep Lane Detection 特征匹配完之后能做什么呢？ 两张图像匹配后，我们可以知道它俩的位姿(位移，角度等)变化 这就是咱们在机器人导航和三维重构中非常重要的一个模块 图像相似度计算(基于匹配到的点)，图像检索与匹配等 相当于可以根据关键点的匹配特征得到很多位置相关的信息 Deep Lane Detection 特征匹配完之后能做什么呢？ 两张图像匹配后，我们可以知道它俩的位姿(位移，角度等)变化 这就是咱们在机器人导航和三维重构中非常重要的一个模块 图像相似度计算(基于匹配到的点)，图像检索与匹配等 相当于可以根据关键点的匹配特征得到很多位置相关的信息 Deep Lane Detection 特征匹配完之后能做什么呢？ 两张图像匹配后，我们可以知道它俩的位姿(位移，角度等)变化 这就是咱们在机器人导航和三维重构中非常重要的一个模块 图像相似度计算(基于匹配到的点)，图像检索与匹配等 相当于可以根据关键点的匹配特征得到很多位置相关的信息 Deep Lane Detection 特征匹配完之后能做什么呢？ 两张图像匹配后，我们可以知道它俩的位姿(位移，角度等)变化 这就是咱们在机器人导航和三维重构中非常重要的一个模块 图像相似度计算(基于匹配到的点)，图像检索与匹配等 相当于可以根据关键点的匹配特征得到很多位置相关的信息 Deep Lane Detection 特征匹配完之后能做什么呢？ 两张图像匹配后，我们可以知道它俩的位姿(位移，角度等)变化 这就是咱们在机器人导航和三维重构中非常重要的一个模块 图像相似度计算(基于匹配到的点)，图像检索与匹配等 相当于可以根据关键点的匹配特征得到很多位置相关的信息 Deep Lane Detection 特征匹配完之后能做什么呢？ 两张图像匹配后，我们可以知道它俩的位姿(位移，角度等)变化 这就是咱们在机器人导航和三维重构中非常重要的一个模块 图像相似度计算(基于匹配到的点)，图像检索与匹配等 相当于可以根据关键点的匹配特征得到很多位置相关的信息 Deep Lane Detection 特征匹配完之后能做什么呢？ 两张图像匹配后，我们可以知道它俩的位姿(位移，角度等)变化 这就是咱们在机器人导航和三维重构中非常重要的一个模块 图像相似度计算(基于匹配到的点)，图像检索与匹配等 相当于可以根据关键点的匹配特征得到很多位置相关的信息 Deep Lane Detection 特征匹配完之后能做什么呢？ 两张图像匹配后，我们可以知道它俩的位姿(位移，角度等)变化 这就是咱们在机器人导航和三维重构中非常重要的一个模块