ローカルに焦点を当てる：キーポイントを用いた下位から上位への lane marker 検出

主流の道路線分離検出手法は、全体構造を予測し、後処理によってパラメトリック曲線を導出する方式で実装されている。複雑な道路線の形状を扱うためには、CNNの高次元出力によってグローバル構造をモデル化する必要があり、これによりモデルの容量および学習データの要求がさらに増大する。これに対して、道路線マーカーの局所性は有限な幾何的変化と空間的カバレッジを持つ。本研究では、局所パターンのモデリングに注目し、下位から上位へとグローバル構造を予測する新しい道路線マーカー検出手法FOLOLaneを提案する。具体的には、CNNが低複雑度の局所パターンを2つの独立したヘッドでモデル化する。1つ目のヘッドはキーポイントの存在を予測し、2つ目のヘッドは局所範囲内でキーポイントの位置を精緻化するとともに、同一道路線に属するキーポイント間の関連性を推定する。このタスクの局所性はCNNの特徴量における限られた視野（FOV）と整合しており、結果としてより安定した学習と優れた汎化性能を実現する。さらに、効率性を重視したデコーディングアルゴリズムとグリーディ法を提案し、性能のわずかな低下を許容しつつ、36％の実行時間短縮を達成した。両方のデコーダーは、局所情報をグローバルな道路線マーカーの幾何構造に統合している。複雑なネットワークアーキテクチャの設計を必要としない本手法は、公開データセットにおいて既存のすべての手法を大きく上回り、最先端の性能とリアルタイム処理を同時に達成している。