LaneAF：アフィニティフィールドを用いたロバストなマルチレーン検出

本研究では、二値セグメンテーションマスクとピクセル単位の類似度フィールド（affinity fields）の予測を用いた車線検出手法を提案する。これらの類似度フィールドと二値マスクを組み合わせることで、後処理ステップにおいて水平方向および垂直方向に車線ピクセルをクラスタリングし、対応する車線インスタンスを生成できる。このクラスタリングは、わずかなオーバーヘッドで実現可能な単純な行ごとのデコードプロセスにより達成されるため、固定または最大数の車線を仮定せずに、変動する数の車線を検出可能となる。さらに、従来の視覚的クラスタリング手法と比較して、本手法のクラスタリングプロセスはより解釈しやすく、誤りの原因を特定・修正するための分析が可能である。代表的な車線検出データセット上で得られた定性的および定量的な評価結果から、本モデルが車線の検出とクラスタリングを効果的かつ堅牢に実行できることを示した。本研究で提案するアプローチは、挑戦的なCULaneデータセットおよび最近導入された無教師学習型LLAMASデータセットにおいて、新たな最先端性能（state-of-the-art）を達成した。