概述

回顾了针对路面标线的深度学习算法，主要分析了他们的网络架构及优化目标；此外还总结了现有车道标线相关的数据集，评价基准及常见的数据处理技术

• Paper
• Code

总结

• 创新点：
  • 1.总结深度学习网络架构、优化目标
  • 2.总结了相关现有数据集
• 不足：
• 分析：
• 结论：综述总结

---

1. 道路标线检测数据集

2. 代表性的目标函数

3. 车道标线检测网路

3.1 专注于车道标志结构的网络

• 传统基于CNN的方法：提取patch计算，耗费空间，冗余计算；patch大小不好确定；位置信息将在池化层丢弃

• FCN：保留位置信息；端到端；处理任意大小；模糊也没考虑空间联系一致性

• U-Net：解决上采样过程中丢失的有用信息，增加上下文联系；对称结构跳跃连接idea；但未考虑车道线特有的3个结构特性

  • 固有空间结构：空洞卷积【E-Net、EDANet及其变种】、特征图内部联系SCNN、检测细长的东西SpinNet一维卷积获得狭长感受野、图卷积网络GCN增强目标结构邻接矩阵突出节点
  • 目标分部学习的改进：专注于分布级的学习而非CNN像素级特征，EL-GAN使用GAN获得更真实和丰富结构的语义分割结果，车道信息不完整Ripple-GAN、注意力机制不同特征权重、知识蒸馏提炼增强上下文信息连续性；利用场景先验知识（消失点VGPNet、全局信息PSPNet）；利用位置规律LaneNet

3.2 专注于车道标志分类的深层架构


基于回归的车道标线检测易于分类，网络易于收敛；而基于分割的方法可以灵活应对车道标线的变化。[42]通过使用多任务网络结构将这两种方法结合起来。
3.3 专注于车道标志高效计算的深层架构
ResNet跳跃连接代替VGG加深网络，加快收敛；小尺度锚框；基于ResNet的E-Net，为减少计算量池化和卷积并行，n×n卷积被代替为n×1和1×n卷积的层叠，PReLU和空洞卷积和正则化来提高计算效率，因此E-Net经常作为提高车道标线检测网络效率的骨架…

4. 数据预处理及评价标准

参考链接