1 简介

有前视图、后视图、周视图、环视图等概念

2 End-to-End Trainable One-Stage Parking Slot Detection Integrating Global and Local Information

在AVM上检测车位，网络结构分为两个大的分支，局部信息和全局信息，全局信息负责车位整体信息，局部信息负责车位角点位置的回归，局部特征更加关注局部信息，因此车位角点的位置信息更准确

2.1 全局特征

1. a：cell是否在车位里，加权L2l oss
2. b：如果cell在车位里，回归车位两个角点位置，归一化到[-1,1]，L2 loss
3. c：车位类型，垂直、平行、倾斜，BCE loss
4. d：车位是否被占用，加权L2 loss
   全局分支预测车位的基本位置，以及车位类型、是否被占用等信息

2.2 局部特征

1. a：cell位置是否包含角点，加权L2 loss
2. b：如果cell包含角点，回归车位两个角点位置，归一化到[-0.5,0.5]，L2 loss
3. c：角点方向，回归角度两个轴的法向量[-1,1]，L2 loss
   局部特征分支可以预测车位角点的精确位置和角度

2.3 两分支的信息整合

局部角点位置代替全局特征的角点位置，之所以全局也回归角点位置，是为了匹配两分支的角点
然后以车位为单位进行nms

junciton-based nms就是角点替换的过程，离得近的替换（能替换的替换，找不到的就不替换，如图c
紫色车位下角点），如果两个车位的角点匹配相同，也可以起到合并的作用（如上图蓝色车位）。
slot-based nms就是车位为单位的nms了

2.4 思考总结

1、角点回归，全局分支归一化到-1到1，局部归一化到[-0.5,0.5]
2、全局特征和局部特征，深度、感受野都是一致的，为什么一个叫局部一个叫全局，就是各有分工，两个分支回归不同的任务？
3、论文里各损失的权重是给出来的，同事说复现的时候，把权重当成了模型参数，自动调整，是否合理？如何确定最优权重？
参考github总结
综述：添加链接描述