CurveLane-NAS: 레인 감지 아키텍처 탐색과 적응형 포인트 블렌딩의 통합

곡선 차선 탐지 문제에 대해 다루며, 기존의 차선 탐지보다 더 현실적인 도전 과제를 제시함으로써 현대의 보조/자율 주행 시스템을 더욱 효과적으로 지원하고자 한다. 현재의 수작업 설계된 차선 탐지 방법은 장거리 맥락 정보와 세부적인 곡선 경로를 동시에 모델링하지 못함으로써, 특히 원거리 부분의 곡선 차선을 정확히 포착하는 데 충분한 강건성을 갖추지 못하고 있다. 본 논문에서는, 점 블렌딩(point blending)을 통해 차선 탐지 아키텍처 탐색과 후처리를 통합함으로써 장거리 일관성과 정확한 단거리 곡선 정보를 자동으로 포착할 수 있는 새로운 차선 민감형 아키텍처 탐색 프레임워크인 CurveLane-NAS를 제안한다. 이 프레임워크는 세 가지 탐색 모듈로 구성된다: a) 다수준 계층적 특징에 대해 국소적 및 전역적 맥락 정보를 더 효과적으로 융합할 수 있는 특징 융합 탐색 모듈; b) 의미 정보가 풍부하고 지연(latency)이 낮은 효율적인 특징 추출기 탐색을 위한 유연한 백본(Backbone) 탐색 모듈; c) 다중 해드의 예측 결과를 결합하기 위한 다중 수준 후처리 보정 전략을 탐색하는 적응형 점 블렌딩 모듈. 이 통합된 프레임워크는 NAS와 적응형 점 블렌딩 간의 상호 지도를 통해 차선 민감한 예측을 보장한다. 또한, 가장 어려운 곡선 차선을 다룰 수 있도록 더 도전적인 벤치마크인 CurveLanes를 새롭게 제시한다. 이 데이터셋은 총 15만 장의 이미지와 68만 개의 라벨을 포함하며, github.com/xbjxh/CurveLanes에서 다운로드 가능하다(이 제출물에서는 이미 익명화 처리됨). 새로 제안한 CurveLanes 데이터셋에서의 실험 결과, 최신 기술(SOTA) 차선 탐지 방법들은 성능이 크게 저하되는 반면, 본 모델은 여전히 80% 이상의 F1 점수를 달성한다. 기존의 CULane와 같은 전통적인 차선 벤치마크에서도 광범위한 실험을 통해 CurveLane-NAS의 우수성을 입증하였으며, 특히 CULane에서 새로운 SOTA 성능인 74.8%의 F1 점수를 기록하였다.