CLRNet : Réseau de raffinement à travers les couches pour la détection des lignes

La détection des lignes est cruciale dans les systèmes de navigation par vision des véhicules intelligents. Naturellement, une ligne de délimitation de voie constitue un élément de signalisation routière porteur d’une sémantique de haut niveau, tout en possédant une structure locale spécifique qui nécessite des caractéristiques détaillées de bas niveau pour une localisation précise. L’exploitation de niveaux de caractéristiques variés est essentielle pour une détection précise des lignes, mais reste encore peu explorée. Dans ce travail, nous proposons le Cross Layer Refinement Network (CLRNet), conçu pour tirer pleinement parti à la fois des caractéristiques de haut niveau et de celles de bas niveau dans la détection des lignes. Plus précisément, notre méthode détecte d’abord les lignes à partir de caractéristiques sémantiques de haut niveau, puis effectue une phase de raffinement basée sur des caractéristiques de bas niveau. Cette approche permet ainsi d’exploiter davantage d’informations contextuelles pour la détection tout en profitant des détails locaux des lignes pour améliorer la précision de localisation. Nous introduisons également ROIGather, une méthode permettant de rassembler des informations contextuelles globales, renforçant ainsi la représentation des caractéristiques des lignes. En plus de notre architecture réseau novatrice, nous proposons une fonction de perte appelée Line IoU, qui traite la ligne comme une entité unique lors de la régression, afin d’améliorer davantage la précision de localisation. Les expérimentations montrent que la méthode proposée surpasse significativement les approches les plus avancées actuelles en détection de lignes.