[論文レビュー] CLRerNet: Improving Confidence of Lane Detection with LaneIoU

Hiroto Honda, Yusuke Uchida|arXiv (Cornell University)|May 15, 2023

Autonomous Vehicle Technology and Safety被引用数 4

ひとこと要約

CLRerNetは、局所的なレーンの角度を考慮する新しいIoUメトリックであるLaneIoUを導入することで、セグメンテーションベースのIoUと整合性のとれた予測信頼度スコアを実現し、レーン検出の信頼度を向上させる。1次元の検出器におけるサンプル割り当てと損失関数にLaneIoUを統合することで、CULaneでは81.43%、CurveLanesでは86.47%の最先端のF1スコアを達成し、公平で5-foldの交差検証評価プロトコルにより、従来手法を顕著に上回る性能を発揮した。

ABSTRACT

Lane marker detection is a crucial component of the autonomous driving and driver assistance systems. Modern deep lane detection methods with row-based lane representation exhibit excellent performance on lane detection benchmarks. Through preliminary oracle experiments, we firstly disentangle the lane representation components to determine the direction of our approach. We show that correct lane positions are already among the predictions of an existing row-based detector, and the confidence scores that accurately represent intersection-over-union (IoU) with ground truths are the most beneficial. Based on the finding, we propose LaneIoU that better correlates with the metric, by taking the local lane angles into consideration. We develop a novel detector coined CLRerNet featuring LaneIoU for the target assignment cost and loss functions aiming at the improved quality of confidence scores. Through careful and fair benchmark including cross validation, we demonstrate that CLRerNet outperforms the state-of-the-art by a large margin - enjoying F1 score of 81.43% compared with 80.47% of the existing method on CULane, and 86.47% compared with 86.10% on CurveLanes.

研究の動機と目的

• レーン検出性能の主なボトル neck を特定すること、特に評価で使用される実際のIoUメトリックと予測信頼度スコアの不一致に焦点を当てる。
• 特に傾いたまたは曲がったレーンに対して、標準的な信頼度スコアとセグメンテーションベースのIoUの間の相関が低い問題を解決すること。
• 真のIoUと一致するように、信頼度スコアを直接最適化する訓練手法を開発すること。
• 交差検証とアンサンブルモデル平均化を用いた公平で信頼性の高いベンチマークプロトコルを確立し、再現性と堅牢性を確保すること。

提案手法

• 非垂直レーンのセグメンテーションベースIoUをよりよく近似できるように、局所的なレーンの角度を組み込んだ新しい交差率（IoU）メトリックであるLaneIoUを提案する。
• 動的サンプル割り当てプロセスにLaneIoUを統合し、より高いメトリックIoUを持つアーキテクチャを優先することで、信頼度スコアの学習を向上させる。
• 標準的なLineIoU損失をLaneIoU損失に置き換えることで、傾き依存の回帰バイアスを低減し、局所化精度を向上させる。
• CLRNetに基づく新しい検出器CLRerNetを開発する。信頼度予測ヘッドと損失関数をLaneIoUに適合したコンponentsに置き換える。
• 平均性能を算出するために5シード、5-foldの交差検証プロトコルを用い、公平で堅牢な評価を保証する。
• 交差検証により経験的に最適な信頼度しきい値（0.44）を特定し、検証分割でのF1スコアを最大化する。

実験結果

リサーチクエスチョン

• RQ1 最先端のレーン検出器が正しいレーン位置を検出しているにもかかわらず、なぜ性能が低いのか？
• RQ2 信頼度スコアは、特に傾いたまたは曲がったレーンに対して、真のIoUとよりよく一致させることができるか？
• RQ3 IoU計算に局所的なレーンの角度情報を組み込むことで、より正確で一貫性のある信頼度予測が得られるか？
• RQ4 サンプル割り当てと損失関数に幾何学的特徴を反映するIoUメトリック（LaneIoU）を組み込むと、検出器性能にどのような影響を与えるか？
• RQ5 きめ細やかな交差検証評価プロトコルの導入は、報告された性能向上の信頼性にどのような影響を与えるか？

主な発見

• CLRerNetはCULaneデータセットで81.43%のF1スコアを達成し、以前の最先端手法を0.96ポイント上回る新記録を樹立した。
• CurveLanesでは86.47%のF1スコアを達成し、前回の最先端手法を0.37ポイント上回った。
• アブレーションスタディの結果、動的k割り当て、コスト関数、損失関数においてLaneIoUをLineIoUに置き換えると、すべての設定で一貫した性能低下が確認された。
• 非垂直な角度範囲において、予測された信頼度スコアと真値IoUとの間の$l1$誤差が顕著に減少し、信頼度のキャリブレーションが向上したことが示された。
• LaneIoUを用いることで、さまざまなレーン角度における1つのGTあたりのアサインされたアーキテクチャ数がより均一になり、傾きのばらつきに起因するバイアスが低減した。
• オラクル実験の結果、信頼度スコアが主なボトル neck であることが判明した。真のIoU値に設定した場合、F1スコアは98.47%に達するため、現在のモデルは正しい位置を検出できても信頼度を正しく予測できないことが示された。