Sketch and Refine: Towards Fast and Accurate Lane Detection

要約

車線検出は、道路上の車線の正確な位置と形状を判断することです。
現在の手法による努力にもかかわらず、現実世界のシナリオは複雑であるため、依然として困難な作業です。
既存のアプローチは、提案ベースであろうとキーポイントベースであろうと、車線を効果的かつ効率的に描写することが困難です。
プロポーザルベースの方法は、合理化されたトップダウン方式でプロポーザルのコレクションを区別して回帰することでレーンを検出しますが、レーン表現には十分な柔軟性がありません。
一方、キーポイントベースの方法では、ローカル記述子から柔軟にレーンを構築しますが、通常は複雑な後処理が必要になります。
このホワイトペーパーでは、キーポイントベースの方法と提案ベースの方法の両方の利点を活用する「スケッチアンドリファイン」パラダイムを紹介します。
その動機は、車線のローカル方向が意味的に単純かつ明確であることです。
「スケッチ」段階では、高速畳み込み層によってキーポイントの局所的な方向を簡単に推定できます。
そうすれば、それに応じて適度な精度で一連の車線提案を構築できます。
「調整」段階では、適応的な車線セグメント調整を可能にする新しい車線セグメント関連付けモジュール (LSAM) を介してこれらの提案をさらに最適化します。
最後になりましたが、車線フィーチャの表現をより効率的に強化するために、マルチレベルのフィーチャ統合を提案します。
提案された「スケッチとリファイン」パラダイムに基づいて、「SRLane」と呼ばれる高速かつ効果的な車線検出器を提案します。
実験の結果、SRLane は 78.9\% の F1 スコアを達成しながら高速 (つまり 278 FPS) で実行できることがわかりました。
ソース コードは https://github.com/passerer/SRLane で入手できます。

要約(オリジナル)

Lane detection is to determine the precise location and shape of lanes on the road. Despite efforts made by current methods, it remains a challenging task due to the complexity of real-world scenarios. Existing approaches, whether proposal-based or keypoint-based, suffer from depicting lanes effectively and efficiently. Proposal-based methods detect lanes by distinguishing and regressing a collection of proposals in a streamlined top-down way, yet lack sufficient flexibility in lane representation. Keypoint-based methods, on the other hand, construct lanes flexibly from local descriptors, which typically entail complicated post-processing. In this paper, we present a ‘Sketch-and-Refine’ paradigm that utilizes the merits of both keypoint-based and proposal-based methods. The motivation is that local directions of lanes are semantically simple and clear. At the ‘Sketch’ stage, local directions of keypoints can be easily estimated by fast convolutional layers. Then we can build a set of lane proposals accordingly with moderate accuracy. At the ‘Refine’ stage, we further optimize these proposals via a novel Lane Segment Association Module (LSAM), which allows adaptive lane segment adjustment. Last but not least, we propose multi-level feature integration to enrich lane feature representations more efficiently. Based on the proposed ‘Sketch and Refine’ paradigm, we propose a fast yet effective lane detector dubbed ‘SRLane’. Experiments show that our SRLane can run at a fast speed (i.e., 278 FPS) while yielding an F1 score of 78.9\%. The source code is available at: https://github.com/passerer/SRLane.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google