SCNN车道线检测--(SCNN)Spatial As Deep: Spatial CNN for Traffic Scene Understanding（论文解读）

Spatial As Deep: Spatial CNN for Traffic Scene Understanding

收录：AAAI2018 (AAAI Conference on Artificial Intelligence)

原文地址：SCNN

论文提出了一个新颖网络Spatial CNN，在图片的行和列上作信息传递。能够有效的识别强先验结构的目标。论文提出了一个大型的车道检测数据集，用于进一步推进自动驾驶发展。

代码:

• 官方-torch

---

Abstract

　　现今的CNN模型一般是由卷积块堆叠构建，虽然CNN有强大的特征提取能力，但现存CNN架构没有足够充分探索图像行和列上的空间关系能力。这些关系对于学习强先验形状的对象很重要，尤为是外观(图像像素)连贯性很弱。例如交通线，车道常常会被遮挡，或者压根就没在路上画车道线。以下图所示：

　　本文提出了Spatial CNN(CNN),它将传统的卷积层接层(layer-by-layer)的链接形式的转为feature map中片连片卷积(slice-by-slice)的形式，使得图中像素行和列之间可以传递信息。这特别适用于检测长距离连续形状的目标或大型目标，有着极强的空间关系可是外观线索较差的目标，例如交通线，电线杆和墙。论文在车道检测挑战和CityScapes上评估了SCNN的表现，同时SCNN在TuSimple Benchmark lane Detection challenge得到了第一名，准确率为96.53%。

---

Introduction

　　自动驾驶中最具挑战的任务之一是交通场景理解，包括计算机视觉任务下的车道检测和语义分割。车道检测帮助指导车辆，语义分割提供更多关于周围环境目标的细节位置。但在实际状况下，由于有许多恶劣条件，这些任务可能很是具备挑战性。对于交通场景理解的另外一个挑战是，在许多状况下须要在有强结构先验知识下处理外形线索很少的目标，例如交通线，杆状物等，这些具备长距离连续的形状，经常有很大部分被遮挡。

　　得益于强大的学习表示能力，CNN将视觉理解推向了一个新的高度。可是这依然不能很好地处理外形线索很少的有强结构先验的目标，而人类能够推断它们的位置并填充遮挡的部分。

　　为了解决这个问题，论文提出了SCNN，将深度卷积神经网络推广到丰富空间层次。

　　传统的CNN，任意层接收上层的数据做输入，再做卷积并加激活传给下一层，这个过程是顺序执行的。与之相似的是，SCNN将feature map的行或列也当作layer，也使用卷积加非线性激活，从而实现空间上的深度神经网络。这使得空间信息可以在同层的神经元上传播，加强空间信息进而对于识别结构化对象特别有效。

相关工做：

　　对于车道检测任务，大多数现有的算法都是依赖于低级手工特征，这让模型难以在恶劣条件下工做。2015年有工做尝试使用深度学习方案用于车道检测，但苦于没有大的普遍的数据集(说这个的缘由是论文创建了一个大的数据集~)。对于语义分割，基于CNN的方案的已经成为主流并取得了巨大的成功。

　　对于在深度神经网络中使用空间信息：有工做使用RNN按每列和行传递信息，但每一个像素只能接收同一行或列的信息。也有工做使用LSTM变体探索语义分割的上下文信息，但计算消耗较大。也有工做尝试结合CNN和图模型(例如MRF或CRF)，经过大卷积核传递信息。

与上述方案相比，SCNN有以下几个优点：

• 消息传递比传统的MRF/CRF更有计算效率
• 消息传递使用的是残差，这更易训练
• SCNN很灵活，适用于多种深度神经网络

---

Spatial Convolutional Neural Network

Lane Detection Dataset

　　本文提出了一个关于交通车道检测的大规模数据集。之前的车道检测数据集(KITTI,CamVid)要不就是太简单，要不就是数据过小。最近的(Caltech,TuSimple)数据集是在交通受限状态下创建的，这样的数据车流量少且路标较为清晰。这些数据集没有包括一些车道线模糊，条件恶劣的状况，而这些状况人类能够推断出来，且这具备很高的实用价值。

　　论文提出的数据集是由六辆车在北京不一样时间录制的，超过55个小时共收集了133,235 张图片，这超过TuSimple 数据集20倍了。论文分红88880张做为训练集, 9675做为验证集，34680作测试集。图像的大小为1640×590。下图是示例和简介：

 

　　数据集内包括城市、农村和高速公路等场景，北京做为世界上最大和最拥挤的城市之一，对应的车道检测数据提供了不少具备挑战性的交通场景。论文将测试集分为正常和8个具备挑战性的类别，这对应上图 (a)的9个示例状况。图(b)显示的是挑战性的场景站数据集的比例(共72.3%)。

　　对于每一张图片，使用三条线注释车道，如前面所述，许多状况下车道是被遮挡的或看不见的。而这在实际状况下是很重要的，车道检测算法须要可以在这种状况下工做。对此，标注工做根据上下文也作了标注，如图(2)(4)所示。对于图(1)的状况咱们不对障碍的另外一边作标注，将精力集中于最受关注的部分。

Spatial CNN

　　传统的关于空间关系的建模方法是基于几率图模型的，例如马尔科夫随机场(MRF)或条件随机场(CRF)。最近有工做将几率图与CNN相结合，如图 3(a)所示：

CRF可化为平均场，算法能够用神经网络来实现，具体来讲，过程分为：

• 标准化：CNN的输出做为一元势函数，并经过Softmax操做标准化
• 信息传递：可经过大内核的逐通道卷积实现(对于DenseCRF,内核大小将覆盖整张图片，内核权重取决于图片)
• 兼容性转换：使用1×1的卷积实现
• 添加一元势：整个过程迭代N次获得最终输出

　　能够看到传统方法在传递信息时，每一个像素点接受来自全图其余像素的信息，这在计算上是很是昂贵的，难以应用于实时系统。且对于MRF的大卷积核权重很难学。这些方法是应用在CNN的输出上的，论文认为CNN的隐藏层，包含了丰富的空间关系，可更好的用于处理空间关系。

　　论文提出了Spatial CNN，这里的Spatial不是指Spatial Convolution，而是CNN经过特征的设计架构传递空间信息。SCNN更有效的学习空间关系，能平滑的找出连续的有强先验的结构目标。SCNN的总体架构以下：

 

(图中SCNN的下标有D,U,R,L，这在结构上是相似的，方向上分别表示为向下，向上，向右，向左)

先以SCNN_D分析：

　　考虑到SCNN应用在三维张量C×H×W上，C,H,W分别表明通道数，长和宽。为了实现空间信息传递，将张量切分红H片(slice)，先将第一片送到尺寸为C×w的卷积层(w为卷积核的宽度)。传统的CNN是将这层的输出传递给下一层，而这里是将这片输出相加到下一片做为新的一片。接着下一片继续应用卷积(这里卷积核共享)，直处处理完全部片。

　　具体来说，假设咱们有一个三维的张量K，其中K_i,j,k记为最后一片中通道i的元素和当前片中通道j的元素之间的权重，这两个元素之间偏移为k列。一样的将X_i,j,k记录为张量X的元素，其中i,j,k分别指代通道，行，列. 
　　则SCNN的前向计算为： 

　　其中f是非线性激活函数ReLU。X加′′表示更新后的值，注意全部的片共享一组卷积核，SCNN是一种RNN。

Analysis

SCNN相比于传统方法，有三个优点：

计算效率

　　SCNN与传统的Dense MRF/CRF相比，在信息传递方向不一样，示意图以下所示：

 

• 图(a)：MRF/CRF中每一个像素点会直接接收其余全部像素点的信息(大卷积核实现)，这其中有许多冗余计算。
• 图(b)：在SCNN中，信息是顺序传递的。

　　假设张量有H行W列，对于密集的MRF/CRF来说，在每两个HW像素之间都存在信息传递，对于niter次迭代，传递了niterW2H2次信息。在SCNN中，每一个像素只接受来自w个像素的信息，共传递了nderWH次，其中der指代传递信息的方向的数量，w为卷积核宽度。

niter范围在10到100之间，在本文中ndir设置为4，对应着四个方向。w设置一般不超过10(图中设置为3)。对于一张有上千行和列的图片来讲，SCNN可大幅度减小计算量，而每一个像素点依旧可以接收来全部其余像素传递的信息(4个方向的信息传递)。

将传递信息做残差

　　密集的MRF/CRF内是经过全部加权像素相加，这样的计算花费很大。而RNN是经过梯度来优化的， 考虑到这么多层和列，依据残差网络的经验，论文也采用残差的方式来学习(计算公式描述的残差学习)。这种残差可认为是对原始神经元的修正。实验证实这样的消息传递比基于LSTM的要好。

灵活性

　　归功于SCNN的计算效率，它能够很方便的集成到CNN的任何部分。一般 top hidden layer 包含了丰富的语义信息，这是应用SCNN的理想位置。在完整的SCNN模型中咱们在顶层的 feature map上用了四个方向的SCNN引入空间信息传递。

---

Experiment

　　论文在自发布的lane detection dataset 和 CityScapes数据集作了评估。 
　　采用标准的SGD训练器，学习率采用”poly”策略，初始学习率为0.01，power为0.9。batchsize设置为12，动量为0.9，权重衰减为0.0001。迭代次数为60K。模型架构在LargeFOV(DeepLabv2)基础上修改，初始的13层采用的是在ImageNet上预训练的VGG16层。全部的实验使用的工做是Torch7.

Lane Detection

　　普通的目标识别只要划分边界,而车道检测须要精准的预测曲线，一个天然的想法是模型输出曲线的几率图，以像素级目标来训练网络，这相似于语义分割任务。咱们但愿网络可以直接区分不一样车道标记，这样鲁棒性更好。共有4中类型的车道线。输出的几率图通过一个小网络预测车道标记是否存在。

　　在测试期间，一样须要从几率图转为曲线，模型大体示意以下图(b)所示：

　　对于存在值大于0.5的车道标记，在对应的几率图每20行搜索以得到最高的响应位置，而后经过三次样条函数链接这些点(cubic splines)。这就是最终的预测。

上图(a)显示了baseline和LargeFOV之间的差别：

• fc7输出通道为128
• fc6扩张卷积的扩张率为4
• 每一个ReLU层前加了BN层
• 添加了一个小型网络用于预测是否存在车道线

　训练时，输入和输出的图片分辨率设置为800×288(约为原图的二分之一)。目标线的宽度设置为16.考虑背景和车道标记之间的不平衡标签，背景损失乘以0.4。

评估

　　为了判断车道标记是否正确的检测到，论文将车道标记视为宽度为30像素的线，计算ground truth和预测值之间的IoU.若是预测的IoU大于某个阈值，则认为是true positives (TP). 以下图6所示，这里设置了0.3和0.5做为阈值，分别对应松散和严格的评估。

 

而后使用

F−measure = 

最为最终评价指标，其中Precision=TPTP+FP，Recall=TPTP+FN。设置β=1表示调和平均值。

Ablation Study

Effectiveness of multidirectional SCNN

首先探究了SCNN里信息传递方向的有效性。对比实验以下表：

　　SCNN的核宽度w=5，能够看到随着方向的增长，性能也逐渐增长。 为了证实性能是来源于多方向，而不是参数的增长，在baseline的基础上添加了一个额外的5×5的卷积层，能够看到性能只有微弱的提高。

Effects of kernel width w

　　论文在SCNN_DURL的基础上测试了不一样核宽度对性能的影响，核宽度表示像素能够接收其余像素的信息数量，结果以下：

　　能够看到较大的w表现出的性能较好(计算量也一直上升)

Spatial CNN on different positions

　　SCNN能够添加到模型的任何地方，在图3中，将SCNN_DURL应用于output上或top hidden layer：

　　能够看到放置在top hidden layer后效果要出色，这是由于top hidden layer包含更丰富的信息。

Effectiveness of sequential propagation

　　在SCNN中，信息时连续方式传递的，SCNN的一片不会传递信息给下一片，知道它接收到别的片传来的信息。与此作对比的时，使用平行策略(parallel)，即每一个片在更新前将信息传递给一下片，一块儿更新，结果以下：

　　能够看到顺序传递的优点较大，这代表在SCNN中，像素不只受到邻近像素的影响，也受到更远距离的像素影响。

Comparison with state-of-the-art methods

论文将SCNN与几个先进模型对比结果以下：

• 基于LSTM的Renet：使用两个ReNet层替换Figure 3中SCNN层
• DenseCRF：采用了10个平均场迭代
• MRFNet：使用Figure 3(a)，迭代10次，内核大小为20
• ResNet：基于与DeepLabv2相同，除了不使用ASPP模块

能够看到SCNN的效果很出色~

可视化结果以下：

　　能够看到SCNN要比大型的ResNet101要好，虽然ResNet101参数多，可是在这种具备挑战性的状况下会产生杂乱或不连续的输出，SCNN相比可以保持平滑性。这代表SCNN相比于传统CNN可以更好的捕捉强先验结构的目标。

Computational efficiency over other methods

同时论文给出了与其余模型时间效率上的对比。注意计算时间没有包括网络主干。都是在CPU上跑的。

能够看到SCNN比CRF要快不少，这是由于传递信息策略的改变。

Semantic Segmentation on CityScapes

论文同时也在CityScapes上作了测试，使用DeepLabv2的LargeFOV和ResNet101做为baseline，在LargeFOV上添加BN层，对于两个模型，top hidden layer的通道数改成128.

配置SCNN的是SCNN_DURL在w=9w=9，结果以下：

能够看到配置了SCNN的模型，在墙、杆等类别有着显著的提高，这是由于SCNN可以捕捉这些长距离连续物体。

可视化结果以下：

有一个有意思的地方，汽车的底部在训练期间是不作标记的，在LargeFOV上是缺失的，由于SCNN的信息传递，被分类成道路。

论文也将SCNN方法与其余方法作了对比，也使用了VGG16为网络主干，结果以下：

能够看到SCNN效果仍是能够的

---

Conclusion

　　论文提出了Spatial CNN，在空间层上实现信息的有效传递。SCNN易于融入到其余深度神经网络中作end-2-end训练。论文在车道检测和语义分割上测试了SCNN，结果表现SCNN能够有效的保持长距离连续结构，在语义分割其扩散效应对识别大型物体有利。

　　此外，论文提出了一个车道检测的数据集，但愿可以推进自动驾驶进一步发展。