Decoupling the Curve Modeling and Pavement Regression for Lane Detection

要約

カーブベースの車線表現は、車線をオブジェクト全体として表現でき、車線に関する総合的な情報を最大限に活用できるため、多くの車線検出方法で一般的なアプローチです。
ただし、これらの方法で生成された曲線は不規則な線にうまく適合しない可能性があり、セグメンテーション ベースまたはポイント ベースの方法などの間接的な表現と比較してパフォーマンスにギャップが生じる可能性があります。
これらの車線は不規則であることを意図したものではありませんが、平らでない舗装上に描かれているため、透視図ではジグザグに見えることがわかりました。
この論文では、車線検出タスクを曲線モデリングと地盤高回帰の 2 つの部分に分解することで、車線検出タスクに対する新しいアプローチを提案します。
具体的には、パラメータ化された曲線を使用して BEV 空間内の車線を表現し、車線の元の分布を反映します。
2 番目の部分では、地盤の高さは道路状況などの自然要因によって決定され、全​​体的ではないため、曲線モデリングとは別に重要なポイントの地盤高を回帰します。
さらに、3D レーン ラベルの有無にかかわらずモデルの最適化をガイドする新しいフレームワークと一連の損失を設計することにより、2D と 3D のレーン検出タスクを統合しました。
2D 車線検出ベンチマーク (TuSimple および CULane) および最近提案された 3D 車線検出データセット (ONCE-3Dlane および OpenLane) での実験では、大幅な改善が見られました。
私たちは、十分に文書化されたソースコードを公開します。

要約(オリジナル)

The curve-based lane representation is a popular approach in many lane detection methods, as it allows for the representation of lanes as a whole object and maximizes the use of holistic information about the lanes. However, the curves produced by these methods may not fit well with irregular lines, which can lead to gaps in performance compared to indirect representations such as segmentation-based or point-based methods. We have observed that these lanes are not intended to be irregular, but they appear zigzagged in the perspective view due to being drawn on uneven pavement. In this paper, we propose a new approach to the lane detection task by decomposing it into two parts: curve modeling and ground height regression. Specifically, we use a parameterized curve to represent lanes in the BEV space to reflect the original distribution of lanes. For the second part, since ground heights are determined by natural factors such as road conditions and are less holistic, we regress the ground heights of key points separately from the curve modeling. Additionally, we have unified the 2D and 3D lane detection tasks by designing a new framework and a series of losses to guide the optimization of models with or without 3D lane labels. Our experiments on 2D lane detection benchmarks (TuSimple and CULane), as well as the recently proposed 3D lane detection datasets (ONCE-3Dlane and OpenLane), have shown significant improvements. We will make our well-documented source code publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google