Réinterpréter la détection efficace des voies de circulation par modélisation de courbes

Cet article présente une nouvelle méthode basée sur les courbes paramétriques pour la détection des voies dans des images RGB. Contrairement aux méthodes d’état de l’art basées sur la segmentation ou la détection de points, qui nécessitent généralement des heuristiques pour décoder les prédictions ou pour formuler un grand nombre d’ancres (anchors), les méthodes basées sur les courbes permettent d’apprendre naturellement des représentations globales des voies. Pour surmonter les difficultés d’optimisation inhérentes aux méthodes classiques utilisant des courbes polynomiales, nous proposons d’exploiter la courbe paramétrique de Bézier, en raison de sa facilité de calcul, de sa stabilité et de son haut degré de liberté dans les transformations. En outre, nous introduisons une fusion de caractéristiques basée sur la convolution déformable, exploitant les propriétés de symétrie des voies dans les scènes de conduite. La méthode proposée atteint un nouveau record de performance sur le benchmark populaire LLAMAS. Elle obtient également des résultats satisfaisants sur les jeux de données TuSimple et CULane, tout en conservant une faible latence (> 150 FPS) et une taille de modèle réduite (< 10 M). Notre approche peut servir de nouvelle référence pour la modélisation des courbes paramétriques dans la détection des voies. Le code de notre modèle ainsi que PytorchAutoDrive — un cadre unifié pour la perception autonome — sont disponibles à l’adresse suivante : https://github.com/voldemortX/pytorch-auto-drive.