CurveLane-NAS : Unification de la recherche d'architecture sensible aux lignes et du mélange adaptatif de points

Nous abordons le problème de détection des lignes courbes, qui pose des défis plus réalistes que la détection conventionnelle des lignes, afin de mieux soutenir les systèmes modernes d’aide à la conduite ou de conduite autonome. Les méthodes actuelles de détection de lignes basées sur une conception manuelle ne sont pas suffisamment robustes pour capturer les lignes courbes, en particulier leurs parties éloignées, en raison du manque de modélisation à la fois des informations contextuelles à longue portée et de la trajectoire fine de la courbe. Dans cet article, nous proposons un cadre novateur de recherche d’architecture sensible aux lignes, nommé CurveLane-NAS, permettant d’extraire automatiquement à la fois des informations cohérentes à longue portée et précises à courte portée sur les courbes, tout en unifiant la recherche d’architecture et le post-traitement des prédictions de lignes courbes via un mélange ponctuel (point blending). Ce cadre se compose de trois modules de recherche : a) un module de recherche de fusion de caractéristiques, visant à identifier une meilleure fusion du contexte local et global pour les caractéristiques hiérarchiques multi-niveaux ; b) un module de recherche d’architectures élastiques (elastic backbone) pour explorer un extracteur de caractéristiques efficace, offrant à la fois de bonnes propriétés sémantiques et une faible latence ; c) un module de mélange ponctuel adaptatif pour rechercher une stratégie de raffinement de post-traitement multi-niveaux afin de combiner les prédictions des têtes multi-échelles. Le cadre unifié garantit des prédictions sensibles aux lignes grâce à une guidance mutuelle entre la recherche d’architecture (NAS) et le mélange ponctuel adaptatif. En outre, nous proposons également un nouveau benchmark plus exigeant, nommé CurveLanes, destiné à traiter les lignes courbes les plus difficiles. Ce jeu de données comprend 150 000 images étiquetées sur 680 000 instances. Le nouveau jeu de données est disponible à l’adresse github.com/xbjxh/CurveLanes (déjà anonymisé pour cette soumission). Les expériences sur CurveLanes montrent qu’les méthodes de détection de lignes les plus avancées actuelles subissent une baisse significative de performance, tandis que notre modèle parvient toutefois à atteindre un score F1 supérieur à 80 %. Des expériences étendues sur des benchmarks classiques tels que CULane démontrent également l’avantage de notre approche CurveLane-NAS, par exemple en obtenant un nouveau record de performance avec un score F1 de 74,8 % sur CULane.