[論文レビュー] CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending

Hang Xu, Shaoju Wang+4 more|arXiv (Cornell University)|Jul 23, 2020

Autonomous Vehicle Technology and Safety参考文献 35被引用数 21

ひとこと要約

CurveLane-NASは、カーブレーン検出のためのバックボーン設計、特徴融合、およびアダプティブポイントブレンドを統合的に最適化する包括的なニューラルアーキテクチャ探索フレームワークを提案する。CULaneでは74.8%のF1スコア、新規のCurveLanesベンチマークでは81.12%を達成し、特に困難なカーブレーンにおいて既存手法を顕著に上回る最先端の性能を発揮する。

ABSTRACT

We address the curve lane detection problem which poses more realistic challenges than conventional lane detection for better facilitating modern assisted/autonomous driving systems. Current hand-designed lane detection methods are not robust enough to capture the curve lanes especially the remote parts due to the lack of modeling both long-range contextual information and detailed curve trajectory. In this paper, we propose a novel lane-sensitive architecture search framework named CurveLane-NAS to automatically capture both long-ranged coherent and accurate short-range curve information while unifying both architecture search and post-processing on curve lane predictions via point blending. It consists of three search modules: a) a feature fusion search module to find a better fusion of the local and global context for multi-level hierarchy features; b) an elastic backbone search module to explore an efficient feature extractor with good semantics and latency; c) an adaptive point blending module to search a multi-level post-processing refinement strategy to combine multi-scale head prediction. The unified framework ensures lane-sensitive predictions by the mutual guidance between NAS and adaptive point blending. Furthermore, we also steer forward to release a more challenging benchmark named CurveLanes for addressing the most difficult curve lanes. It consists of 150K images with 680K labels.The new dataset can be downloaded at github.com/xbjxh/CurveLanes (already anonymized for this submission). Experiments on the new CurveLanes show that the SOTA lane detection methods suffer substantial performance drop while our model can still reach an 80+% F1-score. Extensive experiments on traditional lane benchmarks such as CULane also demonstrate the superiority of our CurveLane-NAS, e.g. achieving a new SOTA 74.8% F1-score on CULane.

研究の動機と目的

• 特にレーダー走行域や隠蔽領域において、現在のレーン検出モデルが示す頑健性の欠如に取り組む。
• 長距離の文脈情報と短距離のカーブディテールのバランスを取れず失敗する、手作業で設計されたアーキテクチャの限界を克服する。
• カーブに敏感な検出を実現するため、バックボーン、特徴融合、および後処理を統合的に最適化するフレームワークを構築する。
• 現実的な条件下でのカーブレーン検出をより適切に評価できるよう、新規の大規模ベンチマーク「CurveLanes」を構築する。
• CULaneやTuSimpleのような異なるデータセット間で、探索されたアーキテクチャの転送可能性を高めることで、一般化性能と効率性を向上させる。

提案手法

• エラスティックバックボーン探索、特徴融合探索、およびアダプティブポイントブレンドの3つの探索モジュールを備えた、複数目的のNASパイプラインを提案する。
• 異なるiableブレンド重みを用いてマルチスケール予測を最適化する、アダプティブポイントブレンドモジュールを導入する。
• グローバルな一貫性とローカルなカーブ精度の両方を捉えるために、マルチレベルの予測ヘッドと階層的特徴融合を組み合わせた探索空間を設計する。
• 複数のモデルバリアント（CurveLane-S, M, L）における精度、FLOPS、レイテンシのバランスを取るために、パレートフロントに基づく探索戦略を採用する。
• コントローラーネットワークを用いた微分可能探索戦略を採用し、アーキテクチャと後処理部品を同時に最適化する。
• 現実のカーブレーン状況下でフレームワークを訓練および評価できるよう、15万枚の画像（680万ラベル）を含む新規の大規模データセット「CurveLanes」を活用する。

実験結果

リサーチクエスチョン

• RQ1 統合的なNASフレームワークが、カーブレーン検出のためのバックボーンアーキテクチャ、特徴融合、および後処理を同時に最適化できるか？
• RQ2 標準的なNMSと比較して、アダプティブポイントブレンドは、カーブ部および遠方のレーンセグメントをどの程度効果的に保持できるか？
• RQ3 提案されたCurveLane-NASは、CULaneやTuSimpleのような異なるデータセット間でどの程度一般化できるか？
• RQ4 高カーブレーン密度を有するベンチマークにおいて、SOTA手法とCurveLane-NASとの間の性能差はどの程度か？
• RQ5 マルチレベルヘッドや特徴融合といったアーキテクチャ的要素は、検出精度と効率性にどの程度寄与するか？

主な発見

• CurveLane-NASはCULaneベンチマークで74.8%のF1スコアを達成し、SOTAとしての新記録を樹立。前回の手法より1.5～1.9ポイントの上回りを記録。
• 新規のCurveLanesベンチマークでは、CurveLane-Sが81.12%のF1スコアを達成。SCNNは20～30%の性能低下を示す一方、16%の性能向上を達成。
• 最大のアーキテクチャ（CurveLane-L）では、R101-SADと比較してFLOPSを4.5倍削減しながら、F1スコアを1.3ポイント向上。
• アブレーションスタディの結果、アダプティブポイントブレンドは、特に遠方およびカーブ部のレーン検出において、最大1.3ポイントの性能向上をもたらすことが確認された。
• 探索されたアーキテクチャは強力な転送性を示した。TuSimpleに移植した場合、SCNNと同等の性能を達成したが、FLOPSは著しく低減した。
• 定性的な結果から、夜間、雨天時、大曲率レーンなどの困難な状況でも、優れた頑健性が確認された。