CurveLane-NAS：统一车道敏感型架构搜索与自适应点融合

我们针对曲线车道检测问题展开研究，该问题相较于传统车道检测更具现实挑战性，有助于更好地推动现代辅助/自动驾驶系统的发展。当前基于人工设计的车道检测方法在捕捉曲线车道（尤其是远距离部分）时鲁棒性不足，主要原因在于其难以同时建模长距离上下文信息与精细的曲线轨迹。为此，本文提出一种新颖的车道敏感型神经架构搜索框架——CurveLane-NAS，能够自动捕获长距离一致性与短距离高精度的曲线信息，并通过点融合（point blending）技术统一架构搜索与曲线车道预测后的后处理过程。该框架包含三个搜索模块：a）特征融合搜索模块，用于寻找局部与全局上下文信息在多层级特征中的更优融合方式；b）弹性主干网络搜索模块，用于探索兼具良好语义表达能力与低延迟特性的高效特征提取结构；c）自适应点融合模块，用于搜索多层级后处理优化策略，以融合多尺度头部预测结果。统一的框架通过神经架构搜索（NAS）与自适应点融合之间的相互引导，确保了对车道的敏感性预测。此外，我们进一步构建了一个更具挑战性的新基准数据集——CurveLanes，专门用于应对最复杂的曲线车道检测任务。该数据集包含15万张图像，共计68万条标注，现已在GitHub开源（github.com/xbjxh/CurveLanes，本次投稿已匿名化处理）。在新提出的CurveLanes数据集上的实验表明，现有最先进（SOTA）的车道检测方法性能出现显著下降，而我们的模型仍可达到80%以上的F1分数。在传统车道检测基准（如CULane）上的大量实验也充分验证了CurveLane-NAS的优越性，例如在CULane数据集上取得了74.8%的新SOTA F1分数。