亮点
1.提出了一个基于卷积神经网络进行车道线检测的新方法，区别于逐像素分割方法，该方法预测输入图像中每行的车道线位置。
2.该方法计算量小，能很好地满足自动驾驶场景对算法的速度要求；使用全局感受野，也能很好地处理复杂场景。
3.在训练网络时根据车道线的物理结构，加入了结构损失（structual loss），很好地利用了车道线的先验信息。
内容
在输入图像中每隔若干像素画水平线，将输入图像划分成若干个“细长条”，每个“细长条”称为1个row anchor。再将每个row anchor在垂直方向切割，形成若干个“块”，每个“块”称为1个cell。如下图所示：
此外，还需要在每个row anchor最后面“人为地”增加1个cell，这个cell表示该row anchor中没有车道线。希望能设计一个网络，达到如下功能：网络能够输出每个row anchor中含有车道线的cell的位置，当某个row anchor中没有车道线时，网络输出该row anchor中“人为增加”的cell的位置。
为了利用车道线物理结构的特性作为网络输出结果的约束，在上述方法的基础上，作者又构造了2个损失函数。
因为车道线是光滑的，所以相邻row anchor中车道线所在的cell的位置不会有突变。这意味着，相邻两个row anchor的cell类别概率分布应该是相似的，因此定义相似性损失函数如下：
使用相似性损失函数约束网络的输出结果，使得相邻两个row anchor的cell类别概率分布不会有突变。
此外，车道线一般是直线；由于视角的原因，弯曲的车道线在图像上大部分也近似直线。最小化相邻row anchor预测出车道线位置的二阶差分，能够约束网络预测结果，使得车道线不要“太弯”。
在车道线存在的情况下，使用如下公式能得到车道线所在的cell的位置
作者在实现过程中，使用了一些比较工程化的方法，下面加以阐述。首先，作者又增加了1个辅助的分割分支，有助于提取特征。整体算法流程如下图所示：
分割分支只在训练时使用，推理时不使用。分割分支使用交叉熵损失函数。最终的损失函数是分类损失函数、结构化损失函数和分割损失函数的加权和，表示如下：
其次，作者在实现过程中使用了数据增强的方法以减轻过拟合现象。使用了旋转、垂直和水平移位的方法，为了保持车道线的结构，在数据增强得到的图片上对车道线进行了延长，如下图所示
作者使用了ResNet-18和ResNet-34作为网络的backbone，在TuSimple和CULane这2个数据集上验证了上述方法。在这2个数据集上实现时一些参数设置如下：
在2个数据集上的性能如下所示：
其中使用ResNet-18作为backbone的版本在CULane数据集上能跑到322.5FPS，是一个非常闪光的结果！
本文仅做学术分享，如有侵权，请联系删文。
