CLRmatchNet : Amélioration de la détection des lignes courbes grâce à un processus de correspondance profonde

La détection de lignes joue un rôle fondamental dans les véhicules autonomes en fournissant des données essentielles pour assurer une navigation sécurisée. Les algorithmes modernes s'appuient sur des détecteurs basés sur des ancres, suivis d'un processus d'attribution de labels permettant de classer les détections d'entraînement en instances positives ou négatives selon des attributs géométriques appris. Une attribution de labels précise a un impact considérable sur la performance du modèle, généralement fondée sur une fonction de coût classique prédéfinie évaluant l’alignement entre les vérités terrain (GT) et les prédictions. Toutefois, les méthodes classiques d’attribution de labels présentent des limites en raison de leur dépendance envers des fonctions de coût prédéfinies issues de modèles à faible dimension, pouvant compromettre leur optimalité. Notre recherche introduit MatchNet, une approche fondée sur un sous-module d’apprentissage profond visant à améliorer le processus d’attribution de labels. Intégré à un réseau de détection de lignes de pointe tel que le Cross Layer Refinement Network for Lane Detection (CLRNet), MatchNet remplace le processus classique d’attribution de labels par un sous-réseau dédié. Le modèle intégré, nommé CLRmatchNet, surpasse CLRNet, offrant des améliorations significatives dans les scénarios impliquant des lignes courbes, avec des gains remarquables pour tous les backbones : +2,8 % pour ResNet34, +2,3 % pour ResNet101 et +2,96 % pour DLA34. En outre, il maintient ou même améliore les résultats comparables sur d'autres sections. Notre méthode renforce le niveau de confiance dans la détection de lignes, permettant ainsi d’augmenter le seuil de confiance. Le code est disponible à l’adresse suivante : https://github.com/sapirkontente/CLRmatchNet.git