[論文レビュー] BSNet: Lane Detection via Draw B-spline Curves Nearby

Haoxin Chen, Mengmeng Wang+1 more|arXiv (Cornell University)|Jan 17, 2023

Autonomous Vehicle Technology and Safety被引用数 10

ひとこと要約

BSNet は、車線を表すためにクランプ済み準一様 b-spline 曲線を用い、軽量な提案ベースのネットワークと新しい曲線距離を採用し、Tusimple、CULane、LLAMAS で最先端の性能を達成するとともに、197 FPS で動作します。

ABSTRACT

Curve-based methods are one of the classic lane detection methods. They learn the holistic representation of lane lines, which is intuitive and concise. However, their performance lags behind the recent state-of-the-art methods due to the limitation of their lane representation and optimization. In this paper, we revisit the curve-based lane detection methods from the perspectives of the lane representations' globality and locality. The globality of lane representation is the ability to complete invisible parts of lanes with visible parts. The locality of lane representation is the ability to modify lanes locally which can simplify parameter optimization. Specifically, we first propose to exploit the b-spline curve to fit lane lines since it meets the locality and globality. Second, we design a simple yet efficient network BSNet to ensure the acquisition of global and local features. Third, we propose a new curve distance to make the lane detection optimization objective more reasonable and alleviate ill-conditioned problems. The proposed methods achieve state-of-the-art performance on the Tusimple, CULane, and LLAMAS datasets, which dramatically improved the accuracy of curve-based methods in the lane detection task while running far beyond real-time (197FPS).

研究の動機と目的

• 車線表現のグローバル性とローカリティを改善して、曲線ベースの車線検出を促進する。
• 柔軟なフィッティングと効率的な最適化を支援する b-spline 曲線表現を提案する。
• 正確な車線提案のためにグローバル特徴とローカル特徴を統合する BSNet を設計する。
• 曲線フィッティングにおける悪条件の最適化を緩和する頑健な曲線距離を導入する。

提案手法

• 局所性とグロバリティのバランスを取るため、車線表現としてクランプ済み準一様 b-spline 曲線を採用する。
• ResNet+FPN バックボーンから車線提案を生成する proposals features init モジュールを開発する。
• 提案上の点をサンプリングして自己注意を適用し F_all を生成することでローカル特徴を取り入れる。
• 点-曲線距離を用いて正規化した D_AB を D_B→A + D_A→B として計算する新しい曲線距離を定義する。
• Fast NMS を用いた簡易予測ヘッドと、回帰・長さ・開始点・ focal 分類項を含む損失を用いる。
• AdamW とコサイン学習率スケジューリングを用いて、CULane、Tusimple、LLAMAS の3データセットでデータ拡張を行って訓練する。

実験結果

リサーチクエスチョン

• RQ1 曲線的な車線に対して特に効果的な、グローバル性とローカリティの両立を b-spline ベースの車線表現は達成できるか？
• RQ2 専用の曲線距離は曲線ベースの車線検出における悪条件の最適化問題を解決できるか？
• RQ3 グローバル/ローカル特徴を持つ軽量な BSNet が、多様なデータセットで高い推論速度を維持しつつ最先端の精度を達成できるか？
• RQ4 制御点の数とサンプル点の数はフィットの品質と安定性にどう影響するか？

主な発見

• BSNet は曲線ベースの手法の中で CULane、Tusimple、LLAMAS のデータセットで最先端の結果を達成。
• ResNet-18/34 BSNet 変種は GTX 1080Ti で最大 197 FPS に達し、より強力なバックボーンと比較して競争力のある、または優れた精度を示す。
• B-spline 表現が Bézier より適合性が良く、特にローカル特徴の助けを借ると顕著。
• 提案された曲線距離は悪条件の最適化を緩和し、回帰の安定性と収束を改善する。
• 小さな検出ヘッドを用いたシンプルなネットワーク設計は、強力な性能とマルチタスク統合の容易さを提供する。