로컬에 초점: 키포인트를 통한 하향식 바닥에서 차선 마커 탐지

주류의 차선 마커 검출 방법은 전반적인 구조를 예측하고 후처리를 통해 매개변수 곡선을 도출하는 방식으로 구현된다. 복잡한 차선 선형을 모델링하기 위해서는 CNN의 고차원 출력이 필요하며, 이는 모델의 용량과 학습 데이터의 요구량을 더욱 증가시킨다. 반면, 차선 마커의 국소성은 유한한 기하학적 변형과 공간적 커버리지를 가지며, 이는 모델링에 있어 제한된 특성 공간을 의미한다. 본 연구에서는 이러한 국소성에 초점을 맞추어, 하향식(bottom-up) 방식으로 국소 패턴을 모델링하고 전반적인 구조를 예측하는 새로운 차선 마커 검출 방법인 FOLOLane을 제안한다. 구체적으로, CNN은 두 개의 독립된 헤드를 통해 저복잡도의 국소 패턴을 모델링한다. 첫 번째 헤드는 핵심 점의 존재 여부를 예측하고, 두 번째 헤드는 국소 범위 내에서 핵심 점의 위치를 정밀화하며, 동일한 차선 선에 속한 핵심 점들 간의 관계를 연결한다. 이 작업의 국소성은 CNN의 특성에 제한된 시야각(FOV)과 일치하며, 이는 학습의 안정성과 일반화 성능 향상에 기여한다. 또한, 효율성을 고려한 디코딩 알고리즘과 탐욕적(greedy) 디코딩 알고리즘을 제안하였으며, 성능 저하를 거의 유발하지 않으면서도 36%의 실행 시간 절감을 달성하였다. 두 디코더 모두 국소 정보를 차선 마커의 전반적인 기하 구조에 통합하였다. 복잡한 네트워크 아키텍처 설계 없이도 제안된 방법은 공개 데이터셋에서 기존 모든 방법을 크게 능가하며, 최신 기술 수준의 정확도와 실시간 처리 성능을 동시에 달성하였다.