[論文レビュー] Road Segmentation Using CNN with GRU

Yecheng Lyu, Xinming Huang|arXiv (Cornell University)|Apr 14, 2018

Advanced Neural Network Applications参考文献 27被引用数 12

ひとこと要約

本稿では、自律走行車両におけるリアルタイム道路セグメンテーションを目的として、局所的特徴抽出に畳み込みニューラルネットワークを、空間的文脈のモデル化にゲート付き再帰ユニットを組み合わせた軽量なCNN-GRUネットワークを提案する。本手法はKITTIベンチマークで50 FPSの速度で86.91%のF1スコアと81.11%の平均精度を達成し、推論速度とパrameter効率性において先行研究を上回りながら、偽陽性率も低く抑えている。

ABSTRACT

This paper presents an accurate and fast algorithm for road segmentation using convolutional neural network (CNN) and gated recurrent units (GRU). For autonomous vehicles, road segmentation is a fundamental task that can provide the drivable area for path planning. The existing deep neural network based segmentation algorithms usually take a very deep encoder-decoder structure to fuse pixels, which requires heavy computations, large memory and long processing time. Hereby, a CNN-GRU network model is proposed and trained to perform road segmentation using data captured by the front camera of a vehicle. GRU network obtains a long spatial sequence with lower computational complexity, comparing to traditional encoder-decoder architecture. The proposed road detector is evaluated on the KITTI road benchmark and achieves high accuracy for road segmentation at real-time processing speed.

研究の動機と目的

• 自律走行車両の埋め込みシステムに適した高速かつ高精度な道路セグメンテーション手法の開発。
• 一般的にセマンティックセグメンテーションで用いられる深層エンコーダ・デコーダネットワークと比較して、計算複雑性とメモリ使用量を低減すること。
• 再帰ニューラルネットワークを活用して、従来のアーキテクチャよりも効率的に道路画像における長距離空間的依存関係をモデル化すること。
• KITTIなどの標準ベンチマークで高い精度を維持しつつ、リアルタイム性能を向上させること。
• 自律走行ナビゲーションの安全性を高めるために、走行可能領域検出における偽陽性を最小限に抑えること。

提案手法

• ネットワークは、入力画像からの空間的特徴を抽出するための軽量なCNNをローカル特徴エンコーダとして使用する。
• 深層スキップ接続の代わりに、画像の各列にわたる長距離空間的依存関係をモデル化するため、GRUベースのコンテキストプロセッサを採用する。
• 空間的位置を符号化するために座標入力チャネルを追加し、道路領域の局所化精度を向上させる。
• 道路領域の境界位置を予測するために平均絶対誤差（MAE）損失を用いてモデルを訓練する。
• データオーグメンテーションには、ランダムスケーリング（0.5–1.0×）およびシフト（水平60px、垂直20px）を含め、トレーニングの多様性を向上させる。
• 学習率1e-4、バッチサイズ125で固定されたAdam最適化手法を用い、全80エポックにわたり学習を実施する。

実験結果

リサーチクエスチョン

• RQ1 深層エンコーダ・デコーダネットワークと比較して、計算コストを低く抑えることができるGRUベースの再帰ネットワークは、道路セグメンテーションにおける空間的文脈を効果的にモデル化できるか？
• RQ2 モノクローラカメラ画像における道路境界の局所化精度を向上させるために、入力に空間座標を組み込むことでどのような効果が得られるか？
• RQ3 軽量なCNN-GRUアーキテクチャは、KITTIベンチマークで高い精度を維持しつつ、リアルタイム推論速度を達成できるか？
• RQ4 最先端の道路セグメンテーションモデルと比較して、本手法は偽陽性率およびモデル効率性においてどの程度優れているか？
• RQ5 実世界の走行状況で一般的に見られる照明の変化や遮蔽状況下でも、本モデルは十分に一般化できるか？

主な発見

• 提案されたCNN-GRUモデルは、KITTIテストセットで86.91%のF1スコアと81.11%の平均精度を達成し、優れたセグメンテーション精度を示した。
• 偽陽性率が4.39%と低く抑えられており、自律走行車両の経路計画における安全性が向上している。
• GTX 950M GPU上で1秒間に50フレームを処理できるため、リアルタイムデプロイメントに適している。
• パラメータ数が279万、FLOPsが1.97Gにとどまるため、モデルサイズおよび計算コストの点で先行手法よりも顕著に効率的である。
• StixelNetやMAPと比較して、推論速度とパラメータ数において優れており、F1スコアおよび精度は同等またはそれ以上である。
• 誤検出（フォールスネガティブ）は主に道路／車両および道路／歩道の境界で発生しており、誤検出（フォールスポジティブ）は主に歩道で観察されるため、さらなる最適化の余地がある。