Ein keypoints-basieretes globales Assoziationsnetzwerk für die Spurerkennung

Die Spurverfolgung ist eine anspruchsvolle Aufgabe, die die Vorhersage komplexer Topologieformen von Spurstrichen und gleichzeitige Unterscheidung verschiedener Spurtypen erfordert. Frühere Ansätze folgten einem top-down-Roadmap-Ansatz, bei dem vorgegebene Anchors in verschiedene Spurformen regressiert wurden, was aufgrund der festen Anchor-Formen nicht ausreichend flexibel ist, um komplexe Spurformen zu erfassen. In jüngster Zeit schlagen einige Arbeiten vor, die Spurverfolgung als Problem der Keypoint-Schätzung zu formulieren, um die Formen von Spurstrichen flexibler zu beschreiben und benachbarte Keypoints schrittweise und punktweise zu Gruppen zusammenzufassen, was jedoch ineffizient und zeitaufwendig im Nachbearbeitungsschritt ist. In diesem Paper stellen wir ein Global Association Network (GANet) vor, das die Spurverfolgung aus einer neuen Perspektive betrachtet, wobei jeder Keypoint direkt auf den Startpunkt der entsprechenden Spurstrichlinie regressiert wird, anstatt schrittweise und punktweise zu erweitern. Konkret erfolgt die Zuordnung der Keypoints zu ihren zugehörigen Spurstrichlinien global durch die Vorhersage der Verschiebungen zu den jeweiligen Startpunkten der Spuren, wobei keine Abhängigkeit zwischen den Keypoints besteht und somit die Berechnung parallelisiert werden kann, was die Effizienz erheblich steigert. Zusätzlich führen wir einen Lane-aware Feature Aggregator (LFA) ein, der adaptiv die lokalen Korrelationen zwischen benachbarten Keypoints erfasst, um die globale Zuordnung mit zusätzlichen lokalen Informationen zu ergänzen. Umfangreiche Experimente auf zwei etablierten Benchmarks für Spurverfolgung zeigen, dass unsere Methode die bisherigen Ansätze übertrifft, mit einem F1-Score von 79,63 % auf dem CULane-Datensatz und 97,71 % auf dem Tusimple-Datensatz bei hohen FPS. Der Quellcode wird unter https://github.com/Wolfwjs/GANet veröffentlicht.