Eigenlanes : Descripteurs de voies fondés sur les données pour des voies aux structures diverses

Dans cet article, nous proposons un nouvel algorithme pour détecter les lignes de chaussée dans l’espace des eigenlanes. Tout d’abord, nous introduisons la notion d’« eigenlanes », qui sont des descripteurs orientés données permettant de représenter des lignes de chaussée de structures diverses, que celles-ci soient courbes ou droites. Pour obtenir les eigenlanes, nous réalisons l’approximation de rang-M optimale d’une matrice de lignes contenant toutes les lignes d’un ensemble d’apprentissage. Ensuite, nous générons un ensemble de candidats de lignes en effectuant un regroupement (clustering) des lignes d’apprentissage dans l’espace des eigenlanes. Enfin, à l’aide de ces candidats, nous déterminons un ensemble optimal de lignes en développant un réseau de détection basé sur des ancres, appelé SIIC-Net. Les résultats expérimentaux démontrent que l’algorithme proposé offre de très bonnes performances de détection pour des lignes de chaussée de structures diverses. Le code source est disponible à l’adresse suivante : https://github.com/dongkwonjin/Eigenlanes.