[论文笔记] CLRerNet: Improving Confidence of Lane Detection with LaneIoU

9月前作者：zhwangye 分类：Toy博客阅读(44) 违法举报

这篇具有很好参考价值的文章主要介绍了[论文笔记] CLRerNet: Improving Confidence of Lane Detection with LaneIoU。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Honda, Hiroto, and Yusuke Uchida. “CLRerNet: Improving Confidence of Lane Detection with LaneIoU.” arXiv preprint arXiv:2305.08366 (2023).
2023.05 出的一篇车道线检测的文章, 效果在CULane, CurveLanes SOTA

简介

这篇论文在CLRNet基础上, 使用提出的LaneIoU代替CLRNet论文中LineIoU, 在两个数据集上取得了SOTA效果

LaneIoU

论文其他部分可以不看, 直接调到3.2 LaneIoU即可;

LineIoU存在问题

从下面图片及公式(CLRNet)可发现, 当车道线越水平时, 通过该公式计算出来的IoU越大, 比如从两侧出发的车道线, 预测线和GT离得很近, 但是使用该LineIoU计算得到较大的值, 导致在分配正负样本和计算loss时候均带来副作用, 导致模型效果不佳;

[论文笔记] CLRerNet: Improving Confidence of Lane Detection with LaneIoU,车道线检测,论文阅读
注意: 这里的e是一个常数, CLRNet中取得为15

为什么使用LaneIoU

为了解决LineIoU存在的问题, 如上,

从下图可发现, 公式3,4 和 CLRNet公式4 很相似, 仅仅把 $e$ 换成了 $w$ , 从一个固定值变成动态计算, 主要计算由公式7给出,

[论文笔记] CLRerNet: Improving Confidence of Lane Detection with LaneIoU,车道线检测,论文阅读文章来源地址https://www.toymoban.com/news/detail-615977.html

到了这里，关于[论文笔记] CLRerNet: Improving Confidence of Lane Detection with LaneIoU的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

【论文笔记】CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing

CAT-Net:用于图像拼接检测和定位的压缩伪迹跟踪网络发布于WACV2021 代码链接：https://github.com/mjkwon2021/CAT-Net 检测和定位图像拼接已经成为打击恶意伪造的重要手段。局部拼接区域的一个主要挑战是区分真实和篡改的区域的固有属性，如压缩伪迹。我们提出了CAT-Net，一个包含

2024年02月10日
浏览(49)
【论文笔记】An End-to-End Framework of Road User Detection, Tracking, and Prediction from Monocular Images

原文链接：https://arxiv.org/abs/2308.05026 目前的轨迹预测方法多基于道路使用者的真实信息，但在实际自动驾驶系统中这些信息是通过检测和跟踪模块得到的，不可避免的存在噪声。本文将感知模块与轨迹预测整合，进行端到端的检测、跟踪和轨迹预测。本文感知模块使用单目图

2024年04月28日
浏览(38)
Ultra-Fast-Lane-Detection代码解析

近期由于学习要求，复现成功Ultra-Fast-Lane-Detection代码后，记录下自己在原理上的学习笔记，本人刚接触这块，有不对的地方欢迎指正。代码链接：GitHub - cfzd/Ultra-Fast-Lane-Detection: Ultra Fast Structure-aware Deep Lane Detection (ECCV 2020) 论文创新点：使用全局特征的基于行的选择问题，提

2024年02月13日
浏览(34)
论文笔记--FEDERATED LEARNING: STRATEGIES FOR IMPROVING COMMUNICATION EFFICIENCY

标题：FEDERATED LEARNING: STRATEGIES FOR IMPROVING COMMUNICATION EFFICIENCY 作者：Jakub Konecny, H. Brendan McMahan, Felix X. Yu, Ananda Theertha Suresh, Dave Bacon 日期：2016 期刊：arxiv 文章给出了一种联邦学习(federated learning, FL)的新的方法，可以提升多终端之间的交流效率，从而支持多台设备在不稳定

2024年02月15日
浏览(48)
论文阅读：VITS2: Improving Quality and Efficiency of Single-Stage Text-to-Speech with Adversarial

论文标题是“ VITS2: Improving Quality and Efficiency of Single-Stage Text-to-Speech with Adversarial Learning and Architecture Design ”，写不下了，是2023.7.31原vits团队刚刚挂在arxiv上的文章，主要基于四个方面对vits做了改动，此篇文章我们就不讲vits，主要分析vits2的部分。单阶段文本到语音模型最近

2024年02月07日
浏览(52)
【论文笔记】Improving Language Understanding by Generative Pre-Training

背景：自然语言理解包括广泛的不同任务，如文本蕴涵、QA问答、语义相似性评估和文档分类。问题：尽管大型未标记文本语料库（corpora）非常丰富；但用于学习特定任务的标记数据却很少，这使得采用传统的有监督深度学习方法训练得到的模型表现较差。解决：通过

2024年03月24日
浏览(76)
LATR：3D Lane Detection from Monocular Images with Transformer

参考代码：LATR 动机与主要工作：之前的3D车道线检测算法使用诸如IPM投影、3D anchor加NMS后处理等操作处理车道线检测，但这些操作或多或少会存在一些负面效应。IPM投影对深度估计和相机内外参数精度有要求，anchor的方式需要一些如NMS的后处理辅助。这篇文章主要的贡献有

2024年02月04日
浏览(42)
论文阅读 The Power of Tiling for Small Object Detection

Abstract 基于深度神经网络的技术在目标检测和分类方面表现出色。但这些网络在适应移动平台时可能会降低准确性，因为图像分辨率的增加使问题变得更加困难。在低功耗移动设备上实现实时小物体检测一直是监控应用的基本问题之一。在本研究中，我们解决了在高分辨率微

2024年02月11日
浏览(45)
论文阅读 - Social bot detection in the age of ChatGPT: Challenges and opportunities

论文链接：https://www.researchgate.net/publication/371661341_Social_bot_detection_in_the_age_of_ChatGPT_Challenges_and_opportunities 目录摘要：引言 1.1. Background on social bots and their role in society 1.2. The rise of AI-generated chatbots like ChatGPT 1.3. The importance of social bot detection 1.4. Scope and objectives of the paper 2. T

2024年02月14日
浏览(50)
论文阅读RangeDet: In Defense of Range View for LiDAR-based 3D Object Detection

论文：https://arxiv.org/pdf/2103.10039.pdf 代码：https://github.com/tusen-ai/RangeDet 提出了一个名为RangeDet的新型3D物体检测技术，利用激光雷达数据。 RangeDet的核心在于使用了一种紧凑的表示方法，称为范围视图，与其他常用方法相比，它避免了计算误差。根据论文中的讨论，使用范围视

2024年04月13日
浏览(52)