CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional Convolution

要約

最新のディープ ラーニング ベースの車線検出方法は、ほとんどのシナリオで成功しますが、複雑なトポロジーを持つ車線ラインでは苦労します。
この作業では、CondLaneNet を提案します。これは、最初に車線インスタンスを検出し、次に各インスタンスの線の形状を動的に予測する、新しい上から下への車線検出フレームワークです。
車線インスタンス レベルの差別問題を解決することを目指して、条件付き畳み込みと行ごとの定式化に基づく条件付き車線検出戦略を紹介します。
さらに、再帰インスタンス モジュール (RIM) を設計して、密集した線や分岐線などの複雑なトポロジを持つ車線線を検出する問題を克服します。
後処理をほとんど必要としないエンド ツー エンドのパイプラインの恩恵を受けて、私たちの方法はリアルタイムで効率的です。
車線検出の 3 つのベンチマークで、この方法を広範囲に評価します。
結果は、私たちの方法が 3 つのベンチマーク データセットすべてで最先端のパフォーマンスを達成することを示しています。
さらに、私たちの方法には、精度と効率が共存しています。
CULane での 78.14 F1 スコアと 220 FPS。
コードは https://github.com/aliyun/conditional-lane-detection で入手できます。

要約(オリジナル)

Modern deep-learning-based lane detection methods are successful in most scenarios but struggling for lane lines with complex topologies. In this work, we propose CondLaneNet, a novel top-to-down lane detection framework that detects the lane instances first and then dynamically predicts the line shape for each instance. Aiming to resolve lane instance-level discrimination problem, we introduce a conditional lane detection strategy based on conditional convolution and row-wise formulation. Further, we design the Recurrent Instance Module(RIM) to overcome the problem of detecting lane lines with complex topologies such as dense lines and fork lines. Benefit from the end-to-end pipeline which requires little post-process, our method has real-time efficiency. We extensively evaluate our method on three benchmarks of lane detection. Results show that our method achieves state-of-the-art performance on all three benchmark datasets. Moreover, our method has the coexistence of accuracy and efficiency, e.g. a 78.14 F1 score and 220 FPS on CULane. Our code is available at https://github.com/aliyun/conditional-lane-detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google