【GiantPandaCV 导语】Ultra Fast Deep Lane Detection 是个比较有特点的车道线检测模型，把检测转化成分类来实现。现在出了 V2，有了几个创新点，于是又来研究一下。之前参考 Ultra Fast Deep Lane Detection V1 设计了一个全新的车道线检测网络，把模型压缩了80%，并部署使用了。另外还把 v1 和 yolov4 合并实现了多任务：https://github.com/Huangdebo/YOLOv4-MultiTask
1 介绍
这篇文章提出了一个超快车道线检测，区别于之前基于分割和回归的模型，该模型把车道线检测看车是分类问题，而且使用了全连接层，加强了模型的全局感知能力。另外，本文还设计了一个混合锚点机制，对不同的车道使用不用的锚点，很好地解决了两侧车道检测性能不佳的问题。该模型在兼顾了速度的前提下，还很好地处理了遮挡和暗光等情况，取得了不错的性能。
2 模型设计
2.1 使用锚点来表示车道线
2.2 基于锚点的网络设计
因为每条车道线都用一组归一化坐标来表示，而且是把车道线检测看成分类任务，于是可以通过类别数目来映射出每个车道线关键点的类别：
2.3 序列分类的损失函数
既然是分类任务，那自然就会想到使用基本的分类损失函数，相当于把关键点的不同位置看成不同的类别，直接用 CE loss 来表达：
3 消融实验
3.1 混合锚点机制的作用
混合锚点机制中包含了横向锚点策略和纵向锚点策略，针对不同的车道线，使用不同的策略。为了对比混合锚点机制的作用，作者分别单独使用横向锚点策略和纵向锚点策略以及混合锚点来进行对比：
3.2 序列分类的作用
相比于基本的分类任务，文章中所用的序列分类还利用了车道线关键点位置的有序性。为了对比序列分类的作用，作者还使用了传统分类和回归的方式来比对。对于回归方式，则是把网络的分类头换成回归头，并用 smooth L1 los 来训练。实验表明，利用了关键点有序性的序列分类的性能明显优于一般的分类和回归方式：
3.3 序列分类损失的消融
序列分类的损失函数包含了两部分，一个是基本的分类损失和一个期望损失。作者也进行了消融实验来对比它们的作用：
3.4 类别的个数和锚点数量的影响
因为是把车道线的位置检测看成是关键点位置的分类，那久必须要设定一个类别数目，作者通过调整类别数目来做对比实验，发现随着类别数目的增加，模型的性能显示提升然后再下降，说明类别数目并不是越多越好。同样，锚点的数量也需要预先设定，原则上讲，锚点数量越多，对车道线的检测就越精细，但也意味着计算量也更大，所以必须要在模型速度和性能上做一个权衡。
4 结论
使用了混合锚点机制和序列分类损失，缓解了 V1 中两侧车道线检测性能不足的问题，而且还能保持一样的高效率。但锚点的数目和序列分类的数目丢等参数都需要手动设定，可能存在一定的数据相关性。而且网络最后一层使用的是全连接层来提升网络的感知能力，导致参数比较大，对工程部署不太友好，这些都是可优化的点。