CLRmatchNet: 깊은 매칭 프로세스를 통한 곡선 차선 검출 향상

차선 인식은 자율 주행 시스템에서 안전한 주행을 보장하기 위해 핵심적인 정보를 제공함으로써 중요한 역할을 한다. 현대의 알고리즘은 앵커 기반 검출기(anchor-based detector)를 활용하며, 이를 바탕으로 학습된 기하학적 특징을 기반으로 탐지 결과를 긍정적 또는 부정적 인스턴스로 분류하는 라벨 할당(label-assignment) 과정을 수행한다. 정확한 라벨 할당은 모델 성능에 큰 영향을 미치며, 일반적으로 진짜 라벨(GT)과 예측값 간의 일치도를 평가하는 사전 정의된 전통적 비용 함수(cost function)에 의존한다. 그러나 전통적인 라벨 할당 방법은 저차원 모델에서 유도된 사전 정의된 비용 함수에 의존하기 때문에 한계를 가지며, 이로 인해 최적성(optimal performance)이 제한될 수 있다. 본 연구에서는 라벨 할당 과정을 개선하기 위해 딥러닝 기반 서브모듈(submodule) 기반의 새로운 접근법인 MatchNet을 제안한다. 이는 최신 차선 인식 네트워크인 차선 인식을 위한 크로스 레이어 리파인먼트 네트워크(Cross Layer Refinement Network for Lane Detection, CLRNet)에 통합되어 기존의 라벨 할당 과정을 서브모듈 네트워크로 대체한다. 통합된 모델인 CLRmatchNet은 CLRNet을 능가하며, 곡선 차선이 포함된 상황에서 뚜렷한 성능 향상을 보이며, 모든 백본(백본: ResNet34, ResNet101, DLA34)에서 각각 +2.8%, +2.3%, +2.96%의 성능 향상을 기록했다. 또한 다른 시나리오에서도 유사하거나 더 나은 성능을 유지한다. 본 방법은 차선 인식의 신뢰도를 높여 신뢰도 임계치를 상향 조정할 수 있도록 한다. 코드는 다음 URL에서 공개되어 있다: https://github.com/sapirkontente/CLRmatchNet.git