一、简介
CLRNet充分利用了低层次特征和高层次特征，因为两者是互补的，先基于高层次特征侦测道路，再基于底层次特征进行调优；由于遮挡的存在，使用ROIGather进行全局信息的收集，在ROI道路特征和全局特征图之间建立联系；损失函数使用Line IOU loss，将车道线作为一个整体来进行回归，从而提高定位的准确率。
如下是车道检测中会出现的问题。
二、模型
2.1 车道表示
使用Lane Prior（192个）进行标识，每个Lane Prior包含四个信息：
（1）前景和背景的概率；
（2）长度；
（3）路线的起点以及与x轴的角度（x、y、θ）；
（4）N（72个）个偏移量，即预测值和 ground truth 之间的水平距离。
Lane Prior在空间上是等距的。
2.2 Cross Layer Refinement
在神经网络中，高层次的特征能更好的反应包含更多语义信息的目标特征，但低层次的特征具有更多的局部信息。
R 代表refine三个参数（x, y, θ）的过程。
2.3 ROIGather
代码定义了两种 lane prior，一种是72个点的 prior，一种是在72个点上间隔采样得到的36个 priors_on_featmap。
首先用 ROIAlign 取每个lane prior的36个采样点特征，然后在L1（L2）层这里要串联上一次的36个特征（增加特征表征能力），此时特征的维度为 Cx36。接着，过一个kernel=9的一维卷积和全连接层，得到 Cx1 的表达（Xp）。
为了获得全局信息特征，作者会用 Xp 与全局的 feature map（Xf）做一个attention操作，output直接与原来的Xp向量相加。为了节省memory，作者在L1，L2层做 attention 的 feature map 都是resize到 L0 相同尺寸的。
参考：https://zhuanlan.zhihu.com/p/532815560
2.4 损失函数
将lane作为一个整体。e=15。
总损失如下：第一项是分类loss，第二项是起始点+角度+长度的回归loss，第三项损失如上所示。
三、代码仓库中有用的issue
（1）https://github.com/Turoad/CLRNet/issues/4
（2）conf_threshold的设置：
Higher conf_threshold will keep higher precision, but the recall will be lower. For your own custom images, it is better to turn down the conf_theshold to keep higher recall.
recall = TP / (TP + FN)：所有正样本中被预测为正样本的概率
precision = TP / (TP + FP)：预测正样本中是gt的概率