Zu einer leichtgewichtigen Spurdetektion durch Optimierung der räumlichen Einbettung

Eine Reihe von Lane-Detection-Methoden basiert auf proposalsfreier Instance-Segmentation, da diese sich gut an flexible Objektformen, Überlagerungen (Occlusion) und Anwendungen in Echtzeit anpassen lässt. In dieser Arbeit wird das Problem angesprochen, dass die Pixel-Embedding-Optimierung in proposalsfreien, auf Instance-Segmentation basierenden Lane-Detection-Verfahren schwierig ist. Die Translationssymmetrie der Faltung, die als einer der Hauptvorteile angesehen wird, führt dabei zu Herausforderungen bei der Optimierung der Pixel-Embedding. In dieser Arbeit stellen wir eine Lane-Detection-Methode vor, die auf proposalsfreier Instance-Segmentation basiert und direkt die räumlichen Embedding-Werte der Pixel mittels Bildkoordinaten optimiert. Unser vorgeschlagener Ansatz ermöglicht eine nachgeschaltete Schritt zur Zentrumlokalisierung und optimiert den Clustering-Prozess end-to-end. Durch die Einfachheit der Nachbearbeitung und die Verwendung eines leichten Backbone-Modells erreicht unsere Methode Echtzeit-Lane-Detection. Die vorgeschlagene Methode zeigt wettbewerbsfähige Ergebnisse auf öffentlichen Lane-Detection-Datensätzen.