魯汶大學提出可端到端學習的車道線檢測演算法
近日，比利時魯汶大學提出基於可微最小二乘擬合的端到端車道線檢測演算法，使該任務的學習過程不再割裂，實現整體的系統最優化。
該文作者資訊：
背景
眾所周知，深度學習的興起，使端到端（end-to-end）的概念大行其道，一項任務能把各個步驟放在一個學習過程中進行優化往往比分步驟尋找最優更好。
但以往的車道線檢測往往需要兩個步驟：首先分割出車道線標誌的mask，然後進行車道線模型引數擬合。
該文作者發現通過最小二乘擬合過程中實現反向傳播是可行的，希望將此過程統一起來，直接端到端迴歸車道線引數。
網路架構
該演算法網路架構示意圖如下：
該文提出的演算法主要包括兩大部分：
1.用於預測一種類似分割的權重圖（weight map）的深度學習網路，每條車道線對應一張權重圖；
2.可微分的最小二乘擬合模組，使用加權最小二乘的方式計算每張權重圖中對應的最佳擬合曲線的引數。
該演算法特徵學習的過程直接優化的感興趣的任務的特徵，隱式的學習特徵自動去除了不穩定性，不需要像傳統兩步方案中需要處理異常點。
另外該方法並不只是黑盒，其中間結果類分割的權重圖可以用於結果檢查和視覺化，有一定的可解釋性。
上圖為該文演算法車道線檢測結果，包括ortho-view圖，及權重圖的視覺化結果。
實驗結果
作者在TuSimple車道線檢測資料集上進行了實驗，下圖是訓練集和驗證集上的錯誤率變化的視覺化圖：
圖中紫色線為該文提出的演算法，由上圖可知，隨著迭代步數的增加該文提出的演算法取得了更小的錯誤率。
實驗結果量化總結如下，該文提出的端到端演算法取得了更低的錯誤率。
車道線檢測結果示例：
論文下載
https://arxiv.org/pdf/1902.00293v1.pdf
程式碼地址
演算法程式碼即將開源：
https://github.com/wvangansbeke/LaneDetection_End2End
但目前還未上傳，估計正在準備。
總結
該文將可微分最小二乘模組引入車道線檢測，取得了更低的錯誤率。
值得一提的是，最小二乘擬合屬於計算機視覺中常用的基礎演算法，這也意味著本文使用的演算法將在許多其他應用中也有用武之地。
另外，改造傳統演算法模組，使其可微分，加入端到端流程，也是不錯的提升精度的思路。