Improving Lane Detection Generalization: A Novel Framework using HD Maps for Boosting Diversity

要約

車線の検出は、車両が道路上を移動して位置を特定するために重要なタスクです。
信頼性の高い結果を保証するには、車線検出アルゴリズムがさまざまな道路環境において堅牢な汎化パフォーマンスを備えている必要があります。
しかし、ディープラーニングベースの車線検出アルゴリズムのパフォーマンスは大幅に向上しているにもかかわらず、道路環境の変化に応じた汎化パフォーマンスは依然として期待を下回っています。
この論文では、車線検出における単一ソース ドメイン一般化 (SSDG) のための新しいフレームワークを紹介します。
データを車線構造と周囲に分解することで、高精細 (HD) マップと生成モデルを使用して多様性を強化します。
データ量を拡大するのではなく、データのコアサブセットを戦略的に選択し、多様性を最大化し、パフォーマンスを最適化します。
私たちの広範な実験により、私たちのフレームワークがドメイン適応ベースの方法に匹敵する車線検出の一般化パフォーマンスを強化することが実証されました。

要約(オリジナル)

Lane detection is a vital task for vehicles to navigate and localize their position on the road. To ensure reliable results, lane detection algorithms must have robust generalization performance in various road environments. However, despite the significant performance improvement of deep learning-based lane detection algorithms, their generalization performance in response to changes in road environments still falls short of expectations. In this paper, we present a novel framework for single-source domain generalization (SSDG) in lane detection. By decomposing data into lane structures and surroundings, we enhance diversity using High-Definition (HD) maps and generative models. Rather than expanding data volume, we strategically select a core subset of data, maximizing diversity and optimizing performance. Our extensive experiments demonstrate that our framework enhances the generalization performance of lane detection, comparable to the domain adaptation-based method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google