[論文レビュー] A Keypoint-based Global Association Network for Lane Detection

Jinsheng Wang, Yinchao Ma+5 more|arXiv (Cornell University)|Apr 15, 2022

Autonomous Vehicle Technology and Safety被引用数 10

ひとこと要約

本稿では、線分の開始点への直接回帰としてキーポoinトアソシエーションを定式化することで、並列的で効率的かつロバストなグローバルアソシエーションを実現するグローバルアソシエーションネットワーク（GANet）を提案する。局所的文脈を強化するためのランチーレア FEATURE AGRREGATOR（LFA）を導入することで、CULaneでは79.63%のF1スコア、Tusimpleでは97.71%のF1スコアという最先端の性能を達成するとともに、高い推論速度を維持している。

ABSTRACT

Lane detection is a challenging task that requires predicting complex topology shapes of lane lines and distinguishing different types of lanes simultaneously. Earlier works follow a top-down roadmap to regress predefined anchors into various shapes of lane lines, which lacks enough flexibility to fit complex shapes of lanes due to the fixed anchor shapes. Lately, some works propose to formulate lane detection as a keypoint estimation problem to describe the shapes of lane lines more flexibly and gradually group adjacent keypoints belonging to the same lane line in a point-by-point manner, which is inefficient and time-consuming during postprocessing. In this paper, we propose a Global Association Network (GANet) to formulate the lane detection problem from a new perspective, where each keypoint is directly regressed to the starting point of the lane line instead of point-by-point extension. Concretely, the association of keypoints to their belonged lane line is conducted by predicting their offsets to the corresponding starting points of lanes globally without dependence on each other, which could be done in parallel to greatly improve efficiency. In addition, we further propose a Lane-aware Feature Aggregator (LFA), which adaptively captures the local correlations between adjacent keypoints to supplement local information to the global association. Extensive experiments on two popular lane detection benchmarks show that our method outperforms previous methods with F1 score of 79.63% on CULane and 97.71% on Tusimple dataset with high FPS. The code will be released at https://github.com/Wolfwjs/GANet.

研究の動機と目的

• 従来のキーポイントベースのレーン検出手法における点ごとのキーポイントアソシエーションの非効率性と誤差の蓄積を解消すること。
• 固定されたアンカー事前分布の代わりに学習可能なキーポイント表現を採用することで、複雑なレーン形状のモデリングにおける柔軟性を向上させること。
• キーポイントからレーンの開始点への直接回帰により、キーポイントの並列的・グローバルなアソシエーションを可能とすること。
• 学習可能なランチーレア特徴統合モジュールを用いて、レーン線に沿った局所的特徴表現を強化すること。
• 標準ベンチマークで高い精度と推論速度を同時に達成すること。

提案手法

• 各キーポイントから対応するレーン線の開始点へのオフセットを予測することで、レーン検出を定式化し、グローバルかつ独立したアソシエーションを可能にする。
• 予測されたオフセットを用いて可変畳み込みを用いてレーンに沿った隣接点から特徴をサンプリングするランチーレア特徴統合モジュール（LFA）を導入する。
• LFAモジュールがレーン線に沿った関連する局所的特徴に集中するよう、補助損失を導入する。
• 2段階パイプラインを採用：キーポイントの信頼度予測 → グローバルオフセット回帰と後処理によるグループ化。
• 2次元可変畳み込みを変更し、局所的なレーンに沿った領域内でオフセットを予測してサンプリングすることで、より良い特徴統合を実現する。
• 後処理段階で非最大抑制（NMS）を適用し、最終的なレーン線予測を精緻化する。

実験結果

リサーチクエスチョン

• RQ1 キーポイントをレーンの開始点へ直接グローバルにアソシエートすることで、逐次的な点ごとのグループ化と比較して、効率性とロバスト性が向上するか？
• RQ2 ランチーレアモジュールによる局所的特徴統合を組み込むことで、レーン検出の精度にどのような影響を与えるか？
• RQ3 グローバルアソシエーションメカニズムは、自己回帰的キーポイント拡張と比較して誤差伝搬をどのように低減できるか？
• RQ4 補助監視がLFAモジュールの局所的レーン構造の捉え込み能力に与える影響は何か？
• RQ5 標準ベンチマークにおいて、アンカーベースおよびキーポイントベースのベースラインと比較して、本手法の精度と速度はどのように異なるか？

主な発見

• GANetはCULaneベンチマークで79.63%のF1スコアという、新たな最先端のスコアを達成した。
• Tusimpleデータセットでは、GANet-Sが97.71%のF1スコアを達成し、同程度のFPSを持つモデルを上回った。
• アブレーションスタディの結果、補助損失を備えたLFAモジュールは、ベースライン（78.79 vs. 77.84）に対してF1スコアを0.95ポイント向上させた。
• 可視化結果から、LFAは特徴表現を強化し、背景ノイズを抑制し、遮蔽下でも精度を維持していることが示された。
• 特にカーブ状の複雑なシナリオにおいて優れた性能を示し、ERF-E2Eを5%以上上回るF1スコアを達成した。
• グローバルアソシエーションメカニズムにより、逐次的キーポイントグループ化と比較して、後処理段階の並列処理が可能となり、推論効率が顕著に向上した。