网络结构没什么可说的，基本还是沿用特征提取+head的思路
这篇论文主要的贡献在于相比语义分割，可以人工划定对应的row 采样步长，以及每个row对应的块宽度，从而实现针对一个区块进行分类，对性能整体加速非常明显
这里主要记录一下loss的计算过程
分类loss：
(1) 将特征图按照行高划分为h行
(2) 每行单独按照一定宽度切分成w块，对每块做分类，输出以行为单位的概率，与GT计算loss，其中C为第几条车道线
结构loss：
(1) 判断竖直方向概率连续的loss: 由于车道线竖直方向是连续的，因此行与行之间车道线预测概率最大值应该在相邻区域，所以设计一个车道线结构的loss，既竖直方向预测概率的l1距离:
(2) 线形状约束loss:用二阶差分去约束车道线的形状的变化率
① 找到每一个row的最大概率对应的块，但是argmax不可微，所以换一种方式
② 引入对每个row对应的position做softmax，再对概率乘以Idx求和，这里会导致正确pos对应的idx与概率的积来主导
③ 在数值方向利用上式做二阶差分，差分值越小说明处于同一竖直方向
