곡선 모델링을 통한 효율적인 레인 탐지 재고찰

이 논문은 RGB 이미지 내 차선 탐지에 대한 새로운 파라메트릭 곡선 기반 방법을 제안한다. 최신의 세그멘테이션 기반 및 점 탐지 기반 방법들은 일반적으로 예측을 디코딩하거나 많은 수의 앵커를 설정하기 위해 휴리스틱 기법을 필요로 하지만, 곡선 기반 방법은 자연스럽게 전체적인 차선 표현을 학습할 수 있다. 기존의 다항식 곡선 방법의 최적화 어려움을 해결하기 위해, 계산이 간편하고 안정적이며 변환 자유도가 높은 파라메트릭 Bézier 곡선을 활용하는 방안을 제안한다. 또한, 주행 환경에서 차선의 대칭성 특성을 효과적으로 활용하기 위해 변형 가능한 컨볼루션 기반의 특징 플립 병합(featrue flip fusion) 기법을 제안한다. 제안된 방법은 대표적인 LLAMAS 벤치마크에서 새로운 최고 성능을 달성하였으며, TuSimple 및 CULane 데이터셋에서도 뛰어난 정확도를 보였다. 동시에 낮은 지연 시간(150 FPS 이상)과 소형 모델 크기(10M 미만)를 유지하였다. 본 연구는 차선 탐지에서 파라메트릭 곡선 모델링을 위한 새로운 기준이 될 수 있으며, 향후 연구에 시사점을 제공한다. 본 모델의 코드 및 PytorchAutoDrive: 자율주행 인식을 위한 통합 프레임워크는 다음 링크에서 제공된다: https://github.com/voldemortX/pytorch-auto-drive.