提出了SCNN语义分割网络，将传统的深度逐层卷积推广到特征图中的逐片卷积，在同一特征图的行和列上做信息传递，可有效识别强先验结构的目标。此外论文还发布了一个大型的车道线检测数据集CULane Dataset，用于进一步推动自动驾驶的发展
创新点：
不足：只有四条车道线；基于语义分割；代码配置？
分析：
结论：传递空间信息 、易集成、端到端、1st in a challenge
自动驾驶->交通场景理解->车道线检测->语义分割->挑战：严酷场景；强结构信息但外观线索少。CNN网络常常通过逐层堆叠卷积来构建，但捕获行列之间空间关系的能力还未完全开发，而这些关系对于学习强形状先验但弱外观一致性(空间关系强但外观线索少)的语义对象是重要的，如遮挡或磨损或根本就没画的车道线。
在CNN逐层传播中，卷积层接收上一层的结果作为输入，应用卷积和非线性激活操作后，将本层结果输出到下一层；SCNN将特征图的行列视为层，然后应用卷积和非线性激活与求和运算，将结果输出到下一层。实现了信息在同层中的传递，强化了空间信息，这对容易被遮挡的结构化对象非常有用。
SCNN相较于其他方法的优点：
专用于车道线检测的数据集。KITTI和CamVid有像素级标注但只有几百张太少了；Caltech Lanes Dataset和TuSimple分别有1224和6048张图片，但场景简单。上述数据集均未标注遮挡不可见的车道线，CULane用三次样条也标注了车道线遮挡不可见的部分，共分为9个场景(1普通8挑战)，共133235帧，分辨率1640×590。
传统的建模空间关系的算法是基于马尔科夫随机场(MRF)或条件随机场(CRF)的，现有的工作将其与CNN联合起来的pipeline如图3(a)，其具体过程为：（1）归一化：CNN的输出被视为一元势，并通过softmax操作来归一化；（2）信息传递：通过具有大核的通道维卷积实现（对于密集CRF，核大小将覆盖整个图像，其核的权重取决于输入图像）；（3）兼容性变换：用1×1卷积实现；（4）添加一元势：这个过程重复N次来给出最终的输出。每个像素从其他所有像素接收信息，计算昂贵很难实时，难学习初始化难，其应用在CNN的输出而非高隐藏层(含有更丰富的信息)。
本文提出的方法如3(b)，将数据看成一个3D张量，然后将张量切成H片，对第一片送入一个核大小为C×w的卷积层，w为核的宽度，然后将输出加入到下一片形成新的一片，新的一片继续被送入下一个卷积层直到到达最后的一片。具体前向传播过程公式如下所示：
X
i
,
j
,
k
X_{i, j, k}
Xi,j,k表示通道、行、列索引像素，
K
i
,
j
,
k
K_{i, j, k}
Ki,j,k表示最后一片位于通道i和当前片位于通道j，两个元素w在列上有k个偏移的元素之间的权重，'表示的是更新后的值，f表示非线性激活函数例如ReLU，卷积核的权重在所有切片上共享。且SCNN是有方向的，DURL分别表示向下/上/右/左。
（1）计算效率高：传统其他所有点到1，SCNN顺序传播。张量H行W列，迭代n次，密集MRF/CRF消息传递nWWHH次（每两个行列像素传递一次），SCNN消息传递nWHw次（每个像素只接收w个像素的信息）。迭代次数由0到100，迭代方向设为4即上下左右。
（2）信息残差：SCNN中的信息按照残差的方式传播，公式（1）中的ReLU函数的输出，这种信息传递方案比LSTM更好。
（3）灵活性：SCNN可以很容易的集成进CNN的任何部分而不仅是在输出位置，高隐藏层是个很好的集成位置，它有丰富且高度的语义信息
相关训练参数设置详见原文，在CULane和Citysacpes两个数据集上进行实验。整个模型基于LargeFOV模型修改，四个空间方向上的SCNN依次添加到顶部隐藏层(fc7层)之后，以引入空间信息传播。
检测模型
生成像素级的真值来训练网络就像语义分割，四条车道线被视为不同的类别，先预测是否存在再预测类别；测试时置信度大于0.5，每20行搜索一个最高相应的位置，然后用三次样条曲线连接起来即是最后的预测结果。SCNN模型与LargeFOV的区别：(1)fc7层的输出通道设为128；(2)fc6的atrous卷积层速率设置为4；(3)在每个ReLU层前添加BN层；(4)加入了个小网络来预测车道线是否存在。
评价标准
使用调和平均值F-measure =
(
1
+
β
2
)
Precision Recall
β
2
Precision
+
Recall
\left(1+\beta^2\right) \frac{\text { Precision Recall }}{\beta^2 \text { Precision }+\text { Recall }}
(1+β2)β2 Precision + Recall Precision Recall ，其中Precision
=
T
P
T
P
+
F
P
=\frac{T P}{T P+F P}
=TP+FPTP，Recall
=
T
P
T
P
+
F
N
=\frac{T P}{T P+F N}
=TP+FNTP，
β
\beta
β设置为1。
消融实验
（1）SCNN多方向性的效果
（2）核宽度w的效果
（3）空间CNN在不同的位置
（4）顺序传播的有效性
（5）与SOTA方法的比较
（6）计算效率
Cityscapes上的语义分割
提出了一个类CNN框架的网络SCNN，有效的实现了空间级的信息传播。很容易集成进深度网络中并进行端到端的训练，实验表明可有效保持细长结构的连续性。发布的数据集会有用。
