Papers with Code - Ultra Fast Structure-aware Deep Lane Detection
論文比較項目
| 引用數(星星數) | 1046 |
|---|---|
| 準確率、錯誤率 | 72.3(F1 score) |
| 程式語言占比 | Python(72.1%) C++(20.8%) Shell(2%) CMake(1.9%) C 1.7% Makefile(1.2%) Matlab(0.3%) |
| 硬體要求 | nvidia GTX 1080Ti GPU, Pytorch |
| 處理效率 | 300/fps |
有提到速度和準確率兼顧，甚至可以在一秒內處理300+frames(幀)
車道偵測系統，共有兩個主流方法，分別是「traditional image processing method(傳統影像處理)」、「deep segmentation method(深度影像切割)」。而近年來拜硬體設備提升所賜，deep segmentation method獲得快速進展，但也依然有不少問題要解決。
自動駕駛系統是奠基在「車道偵測演算法」。而車道偵測，他需要具有極致低廉的運算成本。這是因為自動駕駛是由許許多多的鏡頭捕捉下來的數據(camera input)運算得出，這些camera input只允許輕量級的計算成本；快速的資料連接通道也是必備的。
SAD利用self-distilling來嘗試滿足了上述條件，然而他的運算成本也是偏昂貴。
另一個問題，是光線、遮擋道路的問題(No-visual clue)。而deep segmentation的處理能力比conventional image processing來的好而成為主流。
SCNN透過相鄰像素(adjacent pixel)餵入訊息傳遞裝置嘗試解決，但由於他也是高密度，因此計算成本無法壓下來。
[?]雖然deep segmentation(以色塊進行切割)很好用，但由於車道是兩條線組成，而非單直線或單曲線，這也導致繪製出來的線條無法在平滑度上給予檢驗。