CLRmatchNet: Enhancing Curved Lane Detection with Deep Matching Process

要約

車線検出は、安全なナビゲーションを確保するための重要なデータを提供することで、自動運転において重要な役割を果たします。
最新のアルゴリズムはアンカーベースの検出器に依存しており、その後、学習された幾何学的属性に基づいてトレーニング検出を正または負のインスタンスとして分類するラベル割り当てプロセスが続きます。
正確なラベルの割り当てはモデルのパフォーマンスに大きな影響を与えます。これは通常、GT 予測のアライメントを評価する事前定義された古典的なコスト関数に依存します。
ただし、古典的なラベル割り当て方法は、低次元モデルから派生した事前定義されたコスト関数に依存するため限界に直面しており、最適性に影響を与える可能性があります。
私たちの研究では、ラベル割り当てプロセスの改善を目的とした深層学習サブモジュールベースのアプローチである MatchNet を導入しています。
Cross Layer Refinement Network for Lane Detection (CLRNet) などの最先端の車線検出ネットワークに統合された MatchNet は、従来のラベル割り当てプロセスをサブモジュール ネットワークに置き換えます。
統合モデルの CLRmatchNet は CLRNet を上回り、曲線車線を含むシナリオで大幅な改善が見られ、すべてのバックボーンで ResNet34 で +2.8%、ResNet101 で +2.3%、DLA34 で +2.96% という顕著な改善が見られました。
さらに、他のセクションでも同等の結果が維持または向上します。
私たちの方法では、車線検出の信頼レベルが向上し、信頼しきい値の増加が可能になります。
私たちのコードはhttps://github.com/sapirkontente/CLRmatchNet.gitから入手できます。

要約(オリジナル)

Lane detection plays a crucial role in autonomous driving by providing vital data to ensure safe navigation. Modern algorithms rely on anchor-based detectors, which are then followed by a label-assignment process to categorize training detections as positive or negative instances based on learned geometric attributes. Accurate label assignment has great impact on the model performance, that is usually relying on a pre-defined classical cost function evaluating GT-prediction alignment. However, classical label assignment methods face limitations due to their reliance on predefined cost functions derived from low-dimensional models, potentially impacting their optimality. Our research introduces MatchNet, a deep learning submodule-based approach aimed at improving the label assignment process. Integrated into a state-of-the-art lane detection network such as the Cross Layer Refinement Network for Lane Detection (CLRNet), MatchNet replaces the conventional label assignment process with a submodule network. The integrated model, CLRmatchNet, surpasses CLRNet, showing substantial improvements in scenarios involving curved lanes, with remarkable improvement across all backbones of +2.8% for ResNet34, +2.3% for ResNet101, and +2.96% for DLA34. In addition, it maintains or even improves comparable results in other sections. Our method boosts the confidence level in lane detection, allowing an increase in the confidence threshold. Our code is available at: https://github.com/sapirkontente/CLRmatchNet.git

arxiv情報

提供元, 利用サービス

arxiv.jp, Google