LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions

要約

車線検出は、自動運転車と先進運転支援システム (ADAS) の分野で極めて重要な役割を果たします。
長年にわたり、初歩的な画像処理技術から洗練されたディープ ニューラル ネットワークに至るまで、多数のアルゴリズムが登場してきました。
深層学習ベースのモデルのパフォーマンスは、トレーニング データの品質に大きく依存します。
その結果、これらのモデルは、極端な照明条件、部分的に見える車線区分線、ボッツ ドットのようなまばらな車線区分線などの困難なシナリオに直面すると、パフォーマンスが低下することがよくあります。
これに対処するために、深層学習手法に基づいたエンドツーエンドの車線検出および分類システムを紹介します。
私たちの研究では、最先端 (SOTA) モデルに重大な課題をもたらすシナリオを網羅するために、細心の注意を払って厳選された独自のデータセットを導入します。
選択したモデルを微調整することで、位置特定精度の向上を目指します。
さらに、検出器とシームレスに統合され、異なる車線タイプの識別を容易にする CNN ベースの分類ブランチを提案します。
このアーキテクチャにより、情報に基づいた車線変更の意思決定が可能になり、より回復力のある ADAS 機能が強化されます。
また、さまざまなモデルやバッチ サイズで混合精度のトレーニングとテストを使用した場合の影響も調査します。
広く使用されている TuSimple データセット、Caltech 車線データセット、および当社の LVLane データセットに対して行われた実験評価により、困難なシナリオの中で車線を正確に検出および分類する際の当社のモデルの有効性が実証されました。
私たちの手法は、TuSimple データセット上で最先端の分類結果を達成します。
論文が受理されると、作品のコードが公開されます。

要約(オリジナル)

Lane detection plays a pivotal role in the field of autonomous vehicles and advanced driving assistant systems (ADAS). Over the years, numerous algorithms have emerged, spanning from rudimentary image processing techniques to sophisticated deep neural networks. The performance of deep learning-based models is highly dependent on the quality of their training data. Consequently, these models often experience a decline in performance when confronted with challenging scenarios such as extreme lighting conditions, partially visible lane markings, and sparse lane markings like Botts’ dots. To address this, we present an end-to-end lane detection and classification system based on deep learning methodologies. In our study, we introduce a unique dataset meticulously curated to encompass scenarios that pose significant challenges for state-of-the-art (SOTA) models. Through fine-tuning selected models, we aim to achieve enhanced localization accuracy. Moreover, we propose a CNN-based classification branch, seamlessly integrated with the detector, facilitating the identification of distinct lane types. This architecture enables informed lane-changing decisions and empowers more resilient ADAS capabilities. We also investigate the effect of using mixed precision training and testing on different models and batch sizes. Experimental evaluations conducted on the widely-used TuSimple dataset, Caltech lane dataset, and our LVLane dataset demonstrate the effectiveness of our model in accurately detecting and classifying lanes amidst challenging scenarios. Our method achieves state-of-the-art classification results on the TuSimple dataset. The code of the work will be published upon the acceptance of the paper.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google