초록
자율 주행 시스템에서 차선 인식은 핵심 기능 중 하나이며 최근 많은 주목을 받고 있다. 특히 외관이 불량한 차선 인스턴스를 세분화하기 위한 네트워크는 차선 분포 특성을 효과적으로 탐색할 수 있어야 한다. 기존 대부분의 방법은 CNN 기반 기술에 의존하는 경향이 있다. 일부 연구에서는 최근 인기를 끌고 있는 seq2seq 형태의 Transformer \cite{transformer}를 도입해 보려는 시도를 했지만, 이러한 모델은 본질적으로 전역 정보 수집 능력이 약하고 계산 부담이 매우 크다는 단점이 있어 더 넓은 응용에 제약이 있다. 본 연구에서는 이러한 문제를 해결하기 위해 Atrous Transformer(AtrousFormer)를 제안한다. 이 모델의 변형인 로컬 AtrousFormer는 특징 추출기 내부에 교차 배치하여 특징 추출 능력을 강화한다. 이 구조는 특별히 행을 먼저, 이후 열을 순차적으로 탐색함으로써 정보 수집을 효율적으로 수행하며, 결과적으로 네트워크는 더 강력한 정보 탐색 능력과 향상된 계산 효율성을 갖추게 된다. 성능을 추가로 향상시키기 위해, 각 차선의 시작점에 대한 예측된 가우시안 맵을 활용해 차선의 정체성과 형태를 더 정확하게 구분하는 로컬 세마틱 가이드 디코더를 제안한다. CULane, TuSimple, BDD100K 등 세 가지 도전적인 벤치마크에서 실시한 광범위한 실험 결과를 통해 제안하는 네트워크가 기존 최고 수준의 기술들과 비교해 우수한 성능을 발휘함을 입증하였다.