차선 탐지를 위한 대조 학습: 교차 유사도를 통한 접근

도로 환경에서 차선 표시를 탐지하는 것은 그 복잡한 특성과 불리한 환경 조건에 취약하기 때문에 도전 과제를 안고 있다. 차선 표시는 강한 형태 사전 지식(Shape Prior)을 지니고 있으나, 조명 조건 변화, 다른 차량이나 보행자의 가림, 시간에 따른 색상 퇴색 등으로 인해 시각적 가시성이 쉽게 저하된다. 또한 다양한 차선 형태와 자연스러운 변형이 존재함에 따라 탐지 과정은 더욱 복잡해지며, 다양한 상황을 처리할 수 있는 강건한 차선 탐지 모델을 구축하기 위해 방대한 양의 데이터가 필요하다. 본 논문에서는 현실 세계의 다양한 조건, 특히 차선의 가시성이 저하된 상황에서도 모델의 저항성을 강화하기 위해, 교차 유사도(contrastive learning for lane detection via cross-similarity, CLLD)를 활용한 새로운 자기지도 학습 방법을 제안한다. CLLD는 입력 이미지의 전반적인 맥락 속에서 국소적 특징 간의 유사도를 평가하는 대조 학습(contrastive learning, CL) 기법을 도입한다. 이 방법은 주변 정보를 기반으로 차선 표시를 예측함으로써, 시각적으로 부분적으로 가려진 차선도 탐지할 수 있도록 한다. 이는 국소적 특징의 대조 학습과 본 연구에서 제안한 교차 유사성( cross-similarity) 연산을 통합함으로써 달성된다. 국소적 특징 대조 학습은 작은 패치에서 특징을 추출하는 데 집중하여 차선 세그먼트의 정확한 위치 추정을 가능하게 하며, 반면 교차 유사성은 전역적 특징을 포착함으로써 주변 환경을 기반으로 가려진 차선 세그먼트를 탐지할 수 있도록 한다. 또한 증강 과정에서 입력 이미지의 일부를 무작위로 마스킹함으로써 교차 유사성의 성능을 더욱 향상시켰다. TuSimple 및 CuLane 벤치마크에서 실시한 광범위한 실험 결과, CLLD는 기존의 최첨단 대조 학습 방법들을 능가하며, 그림자와 같은 가시성 저하 조건에서 특히 뛰어난 성능을 보였다. 또한 일반적인 조건에서도 기존의 감독 학습 방법과 비교해 유사한 수준의 성능을 제공한다. 특히 실제 주행 환경에서 흔히 발생하는 그림자, 혼잡한 도로 상황 등 어려운 시나리오에서는 감독 학습 대비 여전히 뛰어난 성능을 발휘함으로써, 본 방법의 실용성과 강건성을 입증하였다.