초록
차선 마커 탐지는 자율주행 및 운전자 보조 시스템의 핵심 구성 요소이다. 행 기반 차선 표현을 사용하는 현대적인 딥 러닝 기반 차선 탐지 방법은 차선 탐지 벤치마크에서 뛰어난 성능을 보이고 있다. 초기 오라클 실험을 통해 우리는 차선 표현의 구성 요소를 분리하여 본 연구의 방향성을 도출하였다. 실험 결과, 기존의 행 기반 탐지기의 예측 결과 내에서 이미 정확한 차선 위치 정보가 포함되어 있음을 확인하였으며, 실제 정답과의 교차율(Intersection-over-Union, IoU)을 정확히 반영하는 신뢰도 점수가 가장 유익함을 입증하였다. 이에 기반하여, 국부적인 차선 각도를 고려함으로써 평가 지표와 더 높은 상관관계를 가지는 LaneIoU를 제안한다. 본 연구는 이러한 LaneIoU를 타겟 할당 비용과 손실 함수에 활용하는 새로운 탐지기인 CLRerNet을 개발하였다. 이는 신뢰도 점수의 품질을 향상시키는 것을 목표로 한다. 신중하고 공정한 벤치마크 평가(교차 검증 포함)를 통해, CLRerNet이 기존 최첨단 기법 대비 큰 성능 우위를 보임을 입증하였다. CULane에서 F1 스코어 81.43%를 기록하여 기존 방법의 80.47%를 상회하였으며, CurveLanes에서는 86.47%를 달성하여 기존 기법의 86.10%를 넘어서는 성과를 거두었다.