CondLaneNet: 조건부 컨볼루션 기반의 상향식 차선 검출 프레임워크

현대의 딥러닝 기반 차선 검출 방법은 대부분의 시나리오에서 성공을 거두고 있지만, 복잡한 위상 구조를 가진 차선 선에 대해서는 여전히 어려움을 겪고 있다. 본 연구에서는 먼저 차선 인스턴스를 탐지한 후, 각 인스턴스에 대해 동적으로 선 형태를 예측하는 새로운 상향식(탑-다운) 차선 검출 프레임워크인 CondLaneNet을 제안한다. 차선 인스턴스 수준의 구분 문제를 해결하기 위해, 조건부 컨볼루션(conditional convolution)과 행 단위 설정(row-wise formulation) 기반의 조건부 차선 검출 전략을 도입하였다. 또한, 밀집된 차선이나 분기 차선과 같은 복잡한 위상 구조를 가진 차선을 탐지하는 데 어려움을 극복하기 위해 순환 인스턴스 모듈(Recurrent Instance Module, RIM)을 설계하였다. 엔드투엔드 파이프라인을 통해 거의 후처리가 필요 없으며, 이로 인해 실시간 성능을 달성하였다. 제안한 방법은 차선 검출을 위한 세 가지 벤치마크에서 광범위하게 평가되었으며, 결과적으로 모든 세 가지 벤치마크 데이터셋에서 최신 기술(SOTA) 수준의 성능을 달성하였다. 특히 정확도와 효율성의 공존을 실현하였으며, CULane 데이터셋에서 78.14의 F1 스코어와 220 FPS의 속도를 기록하였다. 코드는 https://github.com/aliyun/conditional-lane-detection 에서 공개되어 있다.