CurveLane-NAS：ラン敏感なアーキテクチャ探索と適応型ポイントブレンドの統合

本研究は、現代の運転支援／自動運転システムの実用化をより効果的に支援するため、従来の直線的な車線検出よりも現実性の高い曲線車線検出問題に取り組む。現在の手動設計された車線検出手法は、長距離の文脈情報と詳細な曲線軌道の両方をモデル化できないため、特に遠方部分の曲線車線を正確に捉える能力に乏しく、ロバスト性に欠ける。本論文では、曲線車線の長距離一貫性と短距離高精度な曲線情報の両方を自動的に捉えることのできる、新規のlane-sensitiveなアーキテクチャ探索フレームワーク「CurveLane-NAS」を提案する。このフレームワークは、点結合（point blending）によるアーキテクチャ探索と後処理の統合を実現し、以下の3つの探索モジュールから構成される：a) 多レベル階層特徴における局所的・グローバルな文脈の最適な融合を探索する特徴融合探索モジュール；b) 良好な意味的表現力と低遅延を兼ね備えた効率的な特徴抽出器を探索するエラスティックバックボーン探索モジュール；c) 多スケールヘッド出力の統合を目的とした、階層的な後処理精緻化戦略を探索する適応的点結合モジュール。統合的なフレームワークは、NASと適応的点結合の相互指導によって、車線に敏感な予測を保証する。さらに、最も困難な曲線車線に対応するため、より挑戦的なベンチマーク「CurveLanes」の公開も行う。このデータセットは15万枚の画像と68万ラベルを含み、GitHub（github.com/xbjxh/CurveLanes）にて公開されている（本論文提出に際して匿名化済み）。新規のCurveLanesデータセットにおける実験結果から、最先端の車線検出手法は著しい性能低下を示す一方で、本手法は依然として80％以上のF1スコアを達成している。また、従来の車線検出ベンチマーク（CULaneなど）における広範な実験結果も、CurveLane-NASの優位性を示しており、特にCULaneにおいては74.8％という新たなSOTA（最先端）F1スコアを達成した。