一、UFLDv1 单一行锚Row Anchor的缺陷UFLDv1 只使用水平行锚预先在图像垂直方向均匀采样多条水平线row anchor每条车道在每条水平线上预测一个横坐标 x把车道建模成「多条水平线上的离散点集合」。核心缺陷定位误差放大效应设车道线与行锚水平线夹角为\(\theta\)真实定位误差\(\varepsilon\)会被放大为\(\text{Error} \frac{\varepsilon}{\sin\theta}\)自车道Ego Lane中间两条车道接近垂直\(\theta\)接近 90°\(\sin\theta≈1\)误差几乎不放大预测准侧边车道Side Lane最左 / 最右车道倾斜平缓、接近水平\(\theta\)很小\(\sin\theta→0\)误差被急剧放大 结果就是 v1 侧边车道召回、精度暴跌CULane 整体 F1 仅 68.4Res18弯道、拥堵场景掉分严重。单独列锚Column Anchor的互补特性列锚是垂直竖线在图像水平方向采样竖线预测每条竖线上车道的纵坐标 y侧边车道倾斜平缓和竖线接近垂直\(\theta≈90°\)误差极小中间自车道接近垂直和竖线夹角极小误差放大、精度变差。二、混合锚点Hybrid Anchor核心设计思想1. 车道分类分配规则论文固定策略CULane 标准 4 车道划分中间 2 条自车道Left Ego / Right Ego使用行锚Row Anchor预测两侧边缘车道Left Side / Right Side使用列锚Column Anchor预测。双向锚点互补完美抵消「误差放大」问题行锚擅长垂直车道中间车道列锚擅长平缓倾斜侧边车道 两者结合后四条车道定位精度全部提升CULane ResNet34 F1 从 72.3 →76.0。三、混合锚配套有序分类Ordinal Classification机制UFLDv1 是普通独立分类v2 针对混合锚新增有序分类进一步提升坐标精度把锚线上的坐标位置离散划分为 N 个有序类别如横坐标 0~639 划分为 200 类相邻类别存在天然数值顺序关系使用有序损失约束预测分布平滑最终坐标 各类别概率加权数学期望而非单纯取最大概率类别定位更连续、抑制车道断裂抖动。双分支预测头结构网络骨干输出全局特征后分两个独立分支并行推理Row 分支预测中间两条车道36 条行锚的「存在置信度 横坐标有序分类」Column 分支预测两侧两条车道36 条列锚的「存在置信度 纵坐标有序分类」 训练时两个分支联合损失优化推理后合并两类锚点输出拼接得到完整四条车道的所有关键点。四、损失函数混合锚联合监督总损失 行锚分支损失 列锚分支损失 单分支损失由三部分组成\(L_{\text{branch}} L_{\text{exist}} \lambda_1 L_{\text{ordinal}} \lambda_2 L_{\text{structure}}\)\(L_{\text{exist}}\)二分类交叉熵判断当前锚线上是否存在车道\(L_{\text{ordinal}}\)有序分类损失约束坐标预测平滑\(L_{\text{structure}}\)车道结构连续性损失约束同一条车道所有锚点坐标平滑连贯抑制扭曲、断点继承 v1 结构损失。五、混合锚的核心收益全车道均衡精度解决 v1 侧边车道检测问题curve 弯道场景 F1 上涨无速度损耗仅新增轻量列锚分支参数量、FPS 几乎不变依旧实时有序分类平滑输出遮挡场景下车道不会断裂召回率显著提升。UFLDv2 PDF 直链https://arxiv.org/pdf/2206.07389.pdf参考文献[1] Z. Qin, P. Zhang and X. Li, “Ultra Fast Deep Lane Detection With Hybrid Anchor Driven Ordinal Classification,”IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 46, no. 5, pp. 2555–2568, May 2024, doi: 10.1109/TPAMI.2022.3182097.