曲線モデリングによる効率的なレーン検出の再考

本稿では、RGB画像における車線検出のための新たなパラメトリック曲線ベースの手法を提案する。従来の最先端のセグメンテーションベースおよびポイント検出ベースの手法は、通常、予測結果のデコードや多数のアンカー（anchor）を用いた定式化にヒューリスティクスを必要とするが、曲線ベースのアプローチは、自然に全体的な車線表現を学習できる点で優れている。既存の多項式曲線手法における最適化の困難さに対処するため、計算が容易で安定性に優れ、変換自由度が高いという特長を持つパラメトリックBézier曲線を採用する。さらに、ドライブシーンにおける車線の対称性を活かすために、可変畳み込み（deformable convolution）を用いた特徴フリップ統合（feature flip fusion）を提案する。本手法は、広く用いられるLLAMASベンチマークにおいて、新たな最先端性能を達成した。また、TuSimpleおよびCULaneデータセットにおいても優れた精度を実現しつつ、低遅延（150 FPS以上）と小型モデルサイズ（10M未満）を維持している。本手法は、車線検出におけるパラメトリック曲線モデリングの新たなベースラインとして機能し、今後の研究に示唆を与えるものである。本モデルのコードおよびPytorchAutoDrive：自律走行認識のための統一フレームワークについては、以下のURLにて公開されている：https://github.com/voldemortX/pytorch-auto-drive。