Sparse Laneformer

要約

車線検出は自動運転の基本的なタスクであり、ディープラーニングの出現により大きな進歩を遂げています。
以前のアンカーベースの手法では、トレーニング データセットに大きく依存し、推論中に固定されたままとなる高密度アンカーが設計されることがよくあります。
我々は、密なアンカーが車線検出に必要ではないことを分析し、疎なアンカーメカニズムに基づいたトランスベースの車線検出フレームワークを提案します。
この目的を達成するために、従来の明示的なアンカーの代わりに、位置を意識したレーン クエリと角度クエリを使用してスパース アンカーを生成します。
水平方向知覚アテンション (HPA) を採用して水平方向に沿って車線特徴を集約し、車線角度クロス アテンション (LACA) を採用して車線クエリと角度クエリの間の相互作用を実行します。
また、車線予測をさらに洗練するために、変形可能なクロス注意に基づく車線知覚注意 (LPA) も提案します。
Sparse Laneformer と呼ばれる私たちのメソッドは、実装が簡単で、エンドツーエンドでトレーニング可能です。
広範な実験により、Sparse Laneformer が最先端の手法に対して有利に機能することが実証されており、たとえば、同じ ResNet-34 バックボーンを備えた CULane 上で MAC が少ない場合、Laneformer を 3.0% F1 スコアで上回り、O2SFormer を 0.7% F1 スコアで上回っています。

要約(オリジナル)

Lane detection is a fundamental task in autonomous driving, and has achieved great progress as deep learning emerges. Previous anchor-based methods often design dense anchors, which highly depend on the training dataset and remain fixed during inference. We analyze that dense anchors are not necessary for lane detection, and propose a transformer-based lane detection framework based on a sparse anchor mechanism. To this end, we generate sparse anchors with position-aware lane queries and angle queries instead of traditional explicit anchors. We adopt Horizontal Perceptual Attention (HPA) to aggregate the lane features along the horizontal direction, and adopt Lane-Angle Cross Attention (LACA) to perform interactions between lane queries and angle queries. We also propose Lane Perceptual Attention (LPA) based on deformable cross attention to further refine the lane predictions. Our method, named Sparse Laneformer, is easy-to-implement and end-to-end trainable. Extensive experiments demonstrate that Sparse Laneformer performs favorably against the state-of-the-art methods, e.g., surpassing Laneformer by 3.0% F1 score and O2SFormer by 0.7% F1 score with fewer MACs on CULane with the same ResNet-34 backbone.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google