HD Maps are Lane Detection Generalizers: A Novel Generative Framework for Single-Source Domain Generalization

要約

車線検出は、車両が道路上を走行し、その位置を特定するために不可欠なタスクである。信頼性の高い走行を保証するために、車線検出モデルは様々な道路環境において頑健な汎化性能を持たなければならない。しかし、学習された領域での性能は高いにもかかわらず、領域の不一致により、その汎化性能は未だ期待値を下回っている。このギャップを埋めるために、我々は車線検出における単一ソースドメイン汎化（SSDG）のためのHDマップを用いた新しい生成フレームワークを提案する。まず、HDマップのレーンマークから多数のフロントビュー画像を生成する。次に、生成された画像の中から、(i)車線構造と(ii)道路周囲の基準を用いて戦略的にコア部分集合を選択し、その多様性を最大化する。最後に、このコア集合を利用して車線検出モデルを学習し、その汎化性能を向上させる。HDマップからの生成フレームワークは、対象領域の画像にアクセスしないにも関わらず、ドメイン適応モデルMLDAを+3.01%pの精度向上で上回ることを検証する。

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 driving, lane detection models must have robust generalization performance in various road environments. However, despite the advanced performance in the trained domain, their generalization performance still falls short of expectations due to the domain discrepancy. To bridge this gap, we propose a novel generative framework using HD Maps for Single-Source Domain Generalization (SSDG) in lane detection. We first generate numerous front-view images from lane markings of HD Maps. Next, we strategically select a core subset among the generated images using (i) lane structure and (ii) road surrounding criteria to maximize their diversity. In the end, utilizing this core set, we train lane detection models to boost their generalization performance. We validate that our generative framework from HD Maps outperforms the Domain Adaptation model MLDA with +3.01%p accuracy improvement, even though we do not access the target domain images.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL