王聰 張瓏

摘? ?要：在人工智能的時(shí)代，自動(dòng)駕駛技術(shù)越來越成熟，技術(shù)中包含的自動(dòng)車道保持功能占有重要的地位，這對(duì)自動(dòng)駕駛中的后續(xù)車道偏離與預(yù)警起著關(guān)鍵性的作用。文章利用深度學(xué)習(xí)技術(shù)，針對(duì)現(xiàn)有雙分支車道線實(shí)例分割檢測(cè)算法存在的準(zhǔn)確率受批量影響、準(zhǔn)確率不理想等問題，在車道線實(shí)例分割中采用自適配歸一化函數(shù)，并使用傳統(tǒng)的SGD優(yōu)化器對(duì)整個(gè)模型進(jìn)行優(yōu)化解決實(shí)驗(yàn)過程中的效率問題。在TuSimple車道數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，在性能方面準(zhǔn)確率與原始算法相比從96.4%提高到98.6%。

關(guān)鍵詞：深度學(xué)習(xí);雙分支實(shí)例分割;自適配歸一化

近年來，交通事故頻發(fā)，危及生命。事故發(fā)生的原因主要是駕駛員的疏忽、注意力分散等人為因素[1]。許多公司已經(jīng)提出并應(yīng)用了很多改善和減少交通事故的方法。在這些方法中，道路感知和車道線檢測(cè)起著非常重要的作用，車道線檢測(cè)幫助指導(dǎo)車輛方向，用于提高道路交通的安全性。

1? ? 算法概述

本文主要是以雙分支的車道線檢測(cè)方法[2]為基礎(chǔ)，把LaneNet與H-Net結(jié)合，將車道線檢測(cè)問題作為實(shí)例分割[3]問題，執(zhí)行實(shí)時(shí)車道線檢測(cè)的任務(wù)（見圖1）。LaneNet的框架是基于編碼器-解碼器的稍加修改的雙分支ENet網(wǎng)絡(luò)[4]。圖1中第一個(gè)分支車道線分割分支向每個(gè)像素分配車道線ID輸出每個(gè)像素車道段即輸出二進(jìn)制車道段，具有兩個(gè)輸出類別（背景和車道），輸出的是哪些像素屬于一個(gè)通道線而哪些不是。通過這樣做減輕車道線變化的問題，可以處理可變數(shù)量的車道線。而另一個(gè)分支車道線嵌入分支進(jìn)一步將分段的車道線像素分解成不同的車道線實(shí)例，用基于one-shot的方法做距離度量學(xué)習(xí)[5]，該方法易于集成在標(biāo)準(zhǔn)的前饋神經(jīng)網(wǎng)絡(luò)中，可用于實(shí)時(shí)處理。然后用預(yù)測(cè)出來的二進(jìn)制的圖片去覆蓋實(shí)例的圖片。最后使用H-Net進(jìn)行曲線三階多項(xiàng)式擬合，將圖像轉(zhuǎn)換為鳥瞰視圖，估計(jì)理想透視變換的參數(shù)，并且將車道線重新投影到圖像上輸出最后的車道線結(jié)果，該方法解決道路平面變動(dòng)的影響，透視變換使車道線擬合對(duì)路面變化具有魯棒性。為了解決使用一種歸一化函數(shù)而導(dǎo)致性能欠佳的影響，使用自適配歸一化，加速模型訓(xùn)練，提升模型準(zhǔn)確度。使用傳統(tǒng)的隨機(jī)梯度下降（Stochastic Gradient Descent，SGD）優(yōu)化器對(duì)整個(gè)模型進(jìn)行優(yōu)化并訓(xùn)練網(wǎng)絡(luò)直到收斂，而不是像Davy等使用Adam，因?yàn)榻?jīng)過實(shí)驗(yàn)SGD優(yōu)化器在訓(xùn)練過程中更穩(wěn)定，并且在程序運(yùn)行時(shí)不會(huì)輕易地陷入NaN錯(cuò)誤。

2? ? SN算法簡(jiǎn)介

批量歸一化（BN）[6]是以batch的維度作歸一化的歸一化方式，對(duì)batch是獨(dú)立的，車道線檢測(cè)任務(wù)中輸入的圖像數(shù)據(jù)很大，較大的batch size會(huì)導(dǎo)致內(nèi)存不夠用，所以本研究在車道線實(shí)例分割中不用BN而改用自適配歸一化（Switchable Normalization，SN）。SN訓(xùn)練學(xué)習(xí)為深度神經(jīng)網(wǎng)絡(luò)的不同歸一化層選擇不同的歸一化器，組合IN[7]，LN[8]和BN 3種類型的統(tǒng)計(jì)信息，這些統(tǒng)計(jì)信息分別通過渠道方式、分層方式和小批量方式進(jìn)行估算，能夠在深度神經(jīng)網(wǎng)絡(luò)中以端到端的方式學(xué)習(xí)其重要性權(quán)重，從而在BN，IN和LN之間切換使用。

3 實(shí)驗(yàn)與結(jié)果分析

3.1? 評(píng)價(jià)標(biāo)準(zhǔn)

設(shè)Cim表示正確點(diǎn)的數(shù)量，Sim表示實(shí)際真實(shí)點(diǎn)的數(shù)量。當(dāng)實(shí)際真實(shí)點(diǎn)和預(yù)測(cè)點(diǎn)之間的差異小于某個(gè)閾值時(shí)，這個(gè)點(diǎn)就是正確的。每個(gè)圖像的平均正確點(diǎn)準(zhǔn)確度為：

（1）

3.2? 實(shí)驗(yàn)結(jié)果

本文采用TuSimple車道數(shù)據(jù)集，在ubuntu 16.04（x64），python3.5，Cuda-9.0，cudnn-7.0，TensorFlow 1.10.0上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示檢測(cè)速度為50 pfs，能夠達(dá)到實(shí)時(shí)性。

和原算法[2]相比，本實(shí)驗(yàn)使用SN訓(xùn)練學(xué)習(xí)為深度神經(jīng)網(wǎng)絡(luò)的不同歸一化層選擇不同的歸一化器，使模型誤差減少，從而提高了準(zhǔn)確率，準(zhǔn)確率可以達(dá)到98.6%，明顯優(yōu)于使用同一個(gè)數(shù)據(jù)集下TuSimple2017挑戰(zhàn)賽結(jié)果。

4? ? 結(jié)語

本文優(yōu)化了端到端的雙分支車道線實(shí)例分割檢測(cè)方法，受近期實(shí)例分割技術(shù)的啟發(fā)，解決了使用單一歸一化函數(shù)的性能不佳問題，與其他相關(guān)的深度學(xué)習(xí)方法相比，該方法可以提高檢測(cè)的準(zhǔn)確度，具有魯棒性，還可以應(yīng)對(duì)不同數(shù)量車道線，并且能做到實(shí)時(shí)性。由于對(duì)遮擋面積較大的目標(biāo)車道線檢測(cè)效果還不太明顯.后續(xù)工作還需要對(duì)上述算法進(jìn)行針對(duì)性的改進(jìn)和優(yōu)化。

[參考文獻(xiàn)]

[1]BELLIS E，PAGE J.National motor vehicle crash causation survey（NMVCCS）[Z].Washington DC：National Highway Traffic Safety Administration，2008.

[2]DAVY N，BERT D B，STAMATIOS G.Towards end-to-end lane detection：an instance segmentation approach[EB/OL].（2018-02-15）[2020-02-10].https：//arxiv.org/abs/1802.05591，2018.

[3]HE K，GKIOXARI G，DOLLAR P，et al. Mask R-CNN.[EB/OL].（2017-06-17）[2020-02-10] .https：//arxiv.org/abs/1703.06870.

[4]PASZKE A，CHAURASIA A，KIM S，et al.ENet：a deep neural network architecture for real-time semantic segmentation[EB/OL].（2016-06-16）[2020-02-10].https：//dblp.uni-trier.de/search？q=abs%2F1606.02147.

[5]BRABANDERE B D，NEVEN D，VAN GOOL L.Semantic instance segmentation with a discriminative loss function[J].Computing Research Repository，2017（8）：255.

[6]SERGEY I，CHRISTIAN S. Batch normalization：accelerating deep network training by reducing internal covariate shift.[C] Lille：International Conference on Machine Learning，2015.

[7]DMITRY U，ANDREA V，VICTOR L. Instance normalization：The missing ingredient for fast stylization[EB/OL].（2016-09-27）[2020-02-10].https：//arxiv.org/abs/1607.08022.

[8]JIMMY L B，JAMIE R K，GEOFFREY E， et al.Layer normalization[EB/OL]（2016-07-21）[2020-02-10].https：//arxiv.org/abs/1607.06450.

[9]XINGANG P，JIANPING S，ING L，et al.Spatial as deep：spatial CNN for traffic scene understanding[C]San Francisco：the Association for the Advance of Artificial Intelligence Confrence，2018.