Line IoU Loss 是CLRNet 专为行采样式车道检测设计的回归损失，核心思想：把每一行采样点左右扩展成一条水平短线段，逐行计算预测线段与真值线段的交并比，全局求和得到整条车道的 IoU，损失 = 1 - LIoU。
一、前置：车道数据表示（行采样范式）
主流车道数据集（TuSimple/CULane）统一格式：
- 图像沿高度固定取N 行采样点（论文常用 N=72/36），每行 y 坐标固定；
- 每条车道存储：真值横坐标 \(x_i^g\)、预测横坐标 \(x_i^p\)；
- 超参 e：线段左右扩展半径（论文固定 \(e=15\) 像素，模拟车道线宽度）。
对任意一行 i：
- 真值线段：\(G_i = [x_i^g - e,\ x_i^g + e]\)
- 预测线段：\(P_i = [x_i^p - e,\ x_i^p + e]\)
二、单一行线段 IoU 计算（\(IoU_i\)）
1. 交集长度 \(d_i^{inter}\)
两条线段重叠区间左右边界：
\(\begin{align} start_{inter} &= \max(x_i^g-e,\ x_i^p-e) \\ end_{inter} &= \min(x_i^g+e,\ x_i^p+e) \\ d_i^{inter} &= \max(0,\ end_{inter} - start_{inter}) \end{align}\)
无重叠时 \(d_i^{inter}=0\)。
2. 并集长度 \(d_i^{union}\)
并集 = 两线段总长度 − 交集长度
单条线段固定长度：2e
\(d_i^{union} = 2e + 2e - d_i^{inter} = 4e - d_i^{inter}\)
3. 单行 IoU
\(IoU_i = \frac{d_i^{inter}}{d_i^{union}}\)
三、整条车道 Line IoU（LIoU）
对所有有效车道采样行求和交集、求和并集，再做比值：
\(LIoU = \frac{\sum_{i=1}^N d_i^{inter}}{\sum_{i=1}^N d_i^{union}}\)
- 只对正样本车道计算（Focal Loss 筛选出存在车道的行，背景行不参与回归）
- 值域：\(0 \le LIoU \le 1\)；完全重合时 LIoU=1，完全错开 LIoU=0
四、损失函数定义
\(\mathcal{L}_{LIoU} = 1 - LIoU\)
- 完美匹配：Loss=0
- 完全不重合：Loss=1
- 梯度直接优化整条车道整体重合度，而非孤立单点坐标，解决 SmoothL1 逐点独立、车道断裂的问题。
五、完整实现步骤
- 筛选正样本先用 Focal Loss 分类分支，过滤掉无车道的背景行；仅保留有真值车道的行参与 LIoU 计算。
- 扩展线段端点对每个有效行的预测 x、真值 x，分别 ±e 生成左右边界。
- 逐行求交、并长度批量向量化计算所有行的交集、并集长度，避免循环。
- 全局求和累加所有行交集总和、并集总和，计算整条车道 LIoU。
- 计算损失并反向传播\(Loss=1-LIoU\)，只在正样本上回传梯度。
六、PyTorch 可运行源码
import torch import torch.nn as nn class LineIoULoss(nn.Module): def __init__(self, e=15.0): super().__init__() self.e = e # 线段扩展半径，论文默认15 def forward(self, pred_x, gt_x, pos_mask): """ pred_x: [B, num_lane, num_sample] 预测每行x坐标 gt_x: [B, num_lane, num_sample] 真值每行x坐标 pos_mask: [B, num_lane, num_sample] bool掩码，True=该行存在车道（正样本） return: line_iou_loss 标量损失 """ # 1. 扩展左右端点 g_left = gt_x - self.e g_right = gt_x + self.e p_left = pred_x - self.e p_right = pred_x + self.e # 2. 计算交集起止 inter_start = torch.max(g_left, p_left) inter_end = torch.min(g_right, p_right) inter_len = torch.clamp(inter_end - inter_start, min=0.0) # 3. 并集长度 union_len = 4 * self.e - inter_len # 4. 仅正样本参与求和 inter_sum = torch.sum(inter_len[pos_mask]) union_sum = torch.sum(union_len[pos_mask]) # 防止除0（无正样本时loss=0） if union_sum < 1e-6: return torch.tensor(0.0, device=pred_x.device) # 全局Line IoU liou = inter_sum / union_sum loss = 1.0 - liou return loss七、关键实现细节与调参要点
- e 取值论文固定 \(e=15\)，对应图像像素车道宽度；输入分辨率变化时同步缩放 e。
- 掩码 pos_mask必须配合 Focal Loss 输出的正样本掩码，背景行不参与回归，否则引入大量无效梯度。
- 梯度特性
- SmoothL1：只约束单点距离，各行独立，容易出现车道局部偏移、虚线断裂；
- LIoU：梯度关联整条车道所有采样点，强制线条整体对齐，贴合评测 IoU 指标。
- 多损失搭配（CLRNet 总损失）\(\mathcal{L}_{total} = \lambda_1 \mathcal{L}_{Focal} + \lambda_2 \mathcal{L}_{LIoU}\) \(\lambda_2\) 回归权重一般设为 1~2。
八、与 Focal Loss 实现层面核心区分
- Focal Loss：输入是分类置信 logits，处理有无车道的二分类，解决样本不平衡；
- Line IoU Loss：输入是坐标 x，处理车道位置回归，优化线条整体重合度；
- 计算链路完全分离：分类头输出进 Focal，回归头坐标进 LIoU，互不干扰。
