마스크된 순차 오토인코더를 활용한 자체 사전 훈련을 통한 강건한 차선 검출 및 맞춤형 PolyLoss를 이용한 미세 조정

차선 탐지는 자동 운전 및 다양한 지능형 고급 운전자 보조 시스템의 기초가 되는 차량의 위치 추정에 핵심적인 역할을 하므로 매우 중요하다. 기존의 비전 기반 차선 탐지 방법들은 이미지 내 차선선 간의 상호관계를 비롯한 연속 프레임에서의 다양한 영역 간의 유용한 특징과 통합적 맥락 정보를 충분히 활용하지 못하고 있다. 이 연구적 갭을 메우고 차선 탐지 성능을 향상시키기 위해 본 논문에서는 다중 연속 이미지 프레임을 사용하는 엔드투엔드 신경망 모델을 위한 새로운 파이프라인을 제안한다. 이 파이프라인은 마스크된 순차적 오토인코더를 활용한 자체 사전 훈련과 맞춤형 PolyLoss를 사용한 미세 조정(fine-tuning)으로 구성된다. 마스크된 순차적 오토인코더는 무작위로 마스크된 이미지에서 누락된 픽셀을 재구성하는 것을 목표로 하여 신경망 모델의 사전 훈련을 수행한다. 이후 미세 조정 단계에서는 연속된 이미지 프레임을 입력으로 사용하고, 사전 훈련된 모델 가중치를 전이한 후, 출력된 차선 탐지 결과와 레이블링된 진짜 값(Ground Truth) 간의 가중 오차를 맞춤형 PolyLoss로 계산하여 역전파(backpropagation) 메커니즘을 통해 추가로 업데이트한다. 광범위한 실험 결과는 제안된 파이프라인을 통해 일반적인 환경과 도전적인 환경 모두에서 기존 최고 수준의 성능을 초월하는 차선 탐지 모델 성능을 달성함을 입증한다. 일반 환경 테스트 세트에서는 최고의 테스트 정확도(98.38%), 정밀도(0.937), F1-측정값(0.924)을 기록하였으며, 도전적인 환경 테스트 세트에서는 최고의 전반적인 정확도(98.36%)와 정밀도(0.844)를 달성하였다. 동시에 훈련 시간 또한 상당히 단축될 수 있었다.