RCLane: Relay Chain Prediction for Lane Detection

要約

レーン検出は、多くの実世界の自律システムの重要なコンポーネントです。
さまざまな車線検出アプローチが提案されており、時間の経過とともに着実なベンチマークの改善が報告されていますが、車線検出は依然としてほとんど解決されていない問題です。
これは、既存の車線検出方法のほとんどが車線検出を密な予測または検出タスクとして扱うためであり、車線マーカーの固有のトポロジ（Y字型、フォーク型、ほぼ水平な車線）を考慮するものはほとんどありません。
最適ではないソリューションにつながります。
本論文では、リレーチェーン予測に基づく車線検出のための新しい方法を提示した。
具体的には、モデルはセグメンテーションマップを予測して、前景領域と背景領域を分類します。
前景領域の各ピクセルポイントについて、前方分岐と後方分岐を通過してレーン全体を復元します。
各ブランチは、転送マップと距離マップをデコードして、次のポイントに移動する方向と、中継局（次のポイント）を段階的に予測するためのステップ数を生成します。
このように、私たちのモデルはレーンに沿ったキーポイントをキャプチャすることができます。
そのシンプルさにもかかわらず、私たちの戦略は、TuSimple、CULane、CurveLanes、LLAMASを含む4つの主要なベンチマークで新しい最先端を確立することを可能にします。

要約(オリジナル)

Lane detection is an important component of many real-world autonomous systems. Despite a wide variety of lane detection approaches have been proposed, reporting steady benchmark improvements over time, lane detection remains a largely unsolved problem. This is because most of the existing lane detection methods either treat the lane detection as a dense prediction or a detection task, few of them consider the unique topologies (Y-shape, Fork-shape, nearly horizontal lane) of the lane markers, which leads to sub-optimal solution. In this paper, we present a new method for lane detection based on relay chain prediction. Specifically, our model predicts a segmentation map to classify the foreground and background region. For each pixel point in the foreground region, we go through the forward branch and backward branch to recover the whole lane. Each branch decodes a transfer map and a distance map to produce the direction moving to the next point, and how many steps to progressively predict a relay station (next point). As such, our model is able to capture the keypoints along the lanes. Despite its simplicity, our strategy allows us to establish new state-of-the-art on four major benchmarks including TuSimple, CULane, CurveLanes and LLAMAS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google