在即將舉行的計算機視覺國際頂級會議CVPR 2022中，飛步科技被錄用了三篇高水平論文，涉及車道線檢測、3D目標檢測、少樣本分類等與無人駕駛密切相關的技術方向。以下為入選論文介紹。
基于跨層優化的車道線檢測方法
掃碼關注公眾號，隨時了解最新資訊
基于跨層優化的車道線檢測方法
CLRNet: Cross Layer Refinement Network for Lane Detection
車道線檢測是無人駕駛系統感知模塊的重要功能，由搭載在車身上的視覺攝像頭來完成，感知結果常用來進行輔助定位。車道線檢測需要有高層次的語義信息，但車道線特征相對簡單，需要有低層次的特征來精確定位。并且在港口、城市道路等真實場景中，車道線經常存在破損、被遮擋等情況。
為了解決上述問題，CLRNet提出了一種結合高層次和低層次特征的網絡結構，一方面可以感知環境信息，聚集全局特征，另一方面也能結合局部的信息精準定位車道線。并且文章提出一種全新的線段交并比損失函數，進一步提升了車道線的定位精度。簡而言之，CLRNet可以幫助無人駕駛系統進行更類人的判斷，精準“修補”出因為遮擋和破損而消失的車道線。
如下圖所示，相比于其他方法，CLRNet可以檢測出完整而連續的車道線。大量實驗證明，論文提出的方法取得了遠超越當前最先進方法的性能表現。
論文地址：https://arxiv.org/abs/2203.10350
基于互中心化學習的少樣本分類方法
Learning to Affiliate: Mutual Centralized Learning for Few-shot Classification
對于神經網絡來說，需要大量的樣本數據來進行學習。現階段，無人駕駛系統依靠大數據來進行模型學習，并盡可能在較少的樣本中去做出分類。傳統的方法傾向于使用一個全局特征來密集地表示圖像，而不是使用混合的局部特征。但在實際的無人駕駛作業場景中，這樣的方法存在著天然的局限性，例如前方車輛車窗掛出了樹枝，但無人駕駛系統可能會將車輛誤檢為一棵樹。
針對上述問題，論文提出了一種全新的互中心化的學習(MCL)方法，來更加密切地關聯圖像局部特征的稠密表示，針對上述Corner Case有著很好的效果。具體而言，論文假設每個局部特征是一個可以在離散特征空間中雙向游走的粒子，提出使用局部特征的可達性進行分類任務。論文證明這種方法與關系網絡中的中心性存在緊密的聯系，且可以通過修改局部特征在全局池化中的權重來得到更加魯棒的特征表示。經過實驗證明，論文方法在各個少樣本分類的數據集上達到了最優的效果。
論文地址：https://arxiv.org/abs/2106.05517
基于稀疏融合稠密范式的多模態3D檢測方法
Sparse Fuse Dense: Towards High Quality 3D Detection with Depth Completion
無人駕駛系統中，基于純點云的感知方案，對于遮擋及遠距離的物體往往很難給出準確的檢測結果，因為這些物體表面的點云通常非常稀疏。
一種可行的解決方案是將點云和高分辨率的圖像進行融合，以此來緩解點云稀疏性的問題。但由于圖像和點云的數據格式不同，將二者融合并不容易。
論文提出了一種新穎的多模態3D檢測框架SFD（Sparse Fuse Dense），其利用深度補全將2D圖片轉換成3D偽點云，從而統一了圖像和雷達點云的數據表達方式。這使得多模態方法可以使用更精細的RoI融合策略以及更豐富的數據增強。為了充分挖掘偽點云的信息，論文還為偽點云定制了一個高效的卷積。
論文提出的方法有效地彌補了激光雷達的不足，提升了自動駕駛車輛對于場景的理解能力，增強了遮擋和遠距離物體的感知召回率。在KITTI數據集的3D目標檢測任務上，論文提出的方法取得了排名第一的成績。
論文地址：https://arxiv.org/abs/2203.09780
掃碼關注公眾號，隨時了解最新資訊
