每天一分钟，带你读遍机器人顶级会议文章
标题：VPGNet: Vanishing Point Guided Network for Lane and Road MarkingDetection and Recognition
作者：Seokju Lee， Junsik Kim， Jae Shin Yoon， Seunghak Shin， Oleksandr Bailo， Namil Kim， Tae-Hee Lee， Hyun Seok Hong， Seung-Hoon Han， In So Kweon
来源：International Conference on Computer Vision (ICCV 2017)
编译：博主
欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权
摘要
在本文中，作者提出了一个联合的端到端可训练的多任务网络，利用灭点信息能够在极端天气的情况下同时进行道路和路面标志的检测和识别。雨天和较暗的天气一直以来没有广泛的研究，直到最近大家发现其非常有挑战性（好发论文的意思~）。例如说雨天会使得道路变湿并反光，从而干扰对道路和路面标志的识别。又举例说，夜晚亮度太低会导致道路和路面标志的颜色难以识别。考虑到大家刚刚开始重视极端天气问题，所以目前并没有公开可获取的数据集，对应的算法也非常少。
为此，本文针对次问题，首先提出了一个总共包含20000张影像的数据集，其中包括17类道路和路面标志，并且考虑到了四种不同的天气（晴天，雨天，暴雨，夜晚）。在本数据集上，本文训练和测试了几种已经提出的多任务网络，并评价了每个任务的重要程度。最终，本文提出了VPGNet，能够同时检测识别道路和路面标志，并且通过前向传导的方式预测灭点。
实验证明，本文提出的VPGNet具有非常高的精度和鲁棒性，并且还可实时运行（20fps）。
最后本文的模型和数据集的下载链接如下：https://github.com/SeokjuLee/VPGNet。（感谢愿意开源的作者！）
图1 展示了本文算法在一些场景下的检测和识别情况，其中黄色区域是灭点，类别名用白色字体表示，每种颜色表示一种类别。其他(a)是复杂场景，（b）是多路面标记，（c）是夜景，（d）是雨天。
图2 VPGNet的网络架构
