초록
인간의 주행 집중력에 영감을 받은 본 연구는 자율주행을 위한 정밀한 차선 탐지에 있어 주요한 장애 요소를 해결하기 위해 초점 샘플링(Focusing Sampling), 부분 시야 평가(Partial Field of View Evaluation), 강화된 FPN 아키텍처, 방향성 IoU 손실(Directional IoU Loss)을 통합한 네트워크를 선도적으로 제안한다. 실험 결과, 균일한 접근 방식과는 달리 중요한 원거리 세부 정보에 주목하는 본 연구의 초점 샘플링 전략이, 안전성에 필수적인 곡선 및 원거리 차선 인식 정확도를 기준 평가 지표와 실제 환경 모두에서 크게 향상시킴을 입증하였다. FENetV1은 운전자의 시각을 모방하는 시점 인식적 맥락을 분리하여 강화함으로써 기존의 최고 수준의 정량적 성능을 달성하였으며, FENetV2는 제안된 부분 시야 분석에서 가장 뛰어난 신뢰성을 입증하였다. 따라서 표준 전체 이미지 측정 지표에서는 약간의 성능 저하가 있으나, 실용적인 차선 탐지 및 주행 목적에는 V2를 특별히 추천한다. 향후 연구 방향으로는 실도로 데이터 수집과 인간 인지 원리를 기반으로 한 보완적인 이중 프레임워크 통합을 통해 더욱 큰 돌파구를 모색할 계획이다. 코드는 다음 링크에서 확인할 수 있다: https://github.com/HanyangZhong/FENet.