[논문 리뷰] A Keypoint-based Global Association Network for Lane Detection

Jinsheng Wang, Yinchao Ma외 5명|arXiv (Cornell University)|2022. 04. 15.

Autonomous Vehicle Technology and Safety인용 수 10

한 줄 요약

이 논문은 전역적 연관을 위한 글로벌 어셈블리 네트워크(GANet)를 제안하며, 키포인트 연관을 직접적으로 차선 시작점으로의 회귀로 공식화하여 병렬적이고 효율적이며 강건한 전역 연관을 가능하게 한다. 지역적 맥락을 향상시키기 위해 차선 인식 특징 집합기(LFA)를 도입함으로써 GANet는 CULane에서 79.63%의 F1 점수와 Tusimple에서 97.71%의 F1 점수를 기록하며 최신 기술 수준을 달성하면서도 높은 추론 속도를 유지한다.

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.

연구 동기 및 목표

• 기존 키포인트 기반의 차선 검출 방법에서 점별로 키포인트를 연관시키는 방식의 비효율성과 오차 누적 문제를 해결하기 위해.
• 고정된 앵커 사전을 학습 가능한 키포인트 표현으로 대체함으로써 복잡한 차선 형태를 모델링하는 데 유연성을 향상시키기 위해.
• 직접적으로 차선 시작점으로의 회귀를 통해 키포인트를 차선에 대해 병렬적이고 전역적으로 연관시키기 위해.
• 학습 가능한, 차선 인식 특징 집합 모듈을 사용하여 차선 선상의 지역적 특징 표현을 향상시키기 위해.
• 표준 벤치마크에서 높은 정확도와 추론 속도를 동시에 달성하기 위해.

제안 방법

• 각 키포인트에서 해당하는 차선 선의 시작점으로의 오프셋을 예측하는 방식으로 차선 검출을 공식화하여 전역적이고 독립적인 연관을 가능하게 한다.
• 예측된 오프셋을 사용해 차선을 따라 인접한 점들로부터 특징을 샘플링하는 변형 가능한 컨볼루션을 활용한 차선 인식 특징 집합기(LFA)를 도입한다.
• LFA 모듈이 차선 선을 따라 관련 있는 지역적 특징에 집중하도록 돕기 위해 보조 손실을 사용한다.
• 두 단계 파이프라인을 사용한다: 키포인트 신뢰도 예측 → 전역 오프셋 회귀 및 후처리 그룹화.
• 2D 변형 가능한 컨볼루션을 변형하여 지역적 차선에 맞춰진 영역 내에서 오프셋을 예측해 샘플링함으로써 더 나은 특징 집합을 달성한다.
• 최종 차선 선 예측을 정밀화하기 위해 후처리 단계에서 비최대 억제(NMS)를 적용한다.

실험 결과

연구 질문

• RQ1 직접적인 전역적 키포인트 연관이 점별로 순차적으로 그룹화하는 방식보다 효율성과 강건성을 향상시킬 수 있는가?
• RQ2 차선 인식 모듈을 통한 지역적 특징 집합이 차선 검출 정확도에 어떤 영향을 미치는가?
• RQ3 전역 연관 메커니즘이 자동재귀적 키포인트 연장 방식보다 오차 전파를 줄일 수 있는가?
• RQ4 보조 감독이 LFA 모듈이 지역적 차선 구조를 포착하는 데 어떤 영향을 미치는가?
• RQ5 표준 벤치마크에서 앵커 기반 및 키포인트 기반 기준 모델과 비교해 제안된 방법은 정확도와 속도 측면에서 어떻게 성능을 내는가?

주요 결과

• GANet는 CULane 벤치마크에서 기존 방법들을 능가하는 새로운 최신 기술 수준의 F1 점수 79.63%를 기록한다.
• Tusimple 데이터셋에서 GANet-S는 높은 추론 속도를 유지하면서도 F1 점수 97.71%를 기록하여 유사한 FPS를 가진 모델들을 능가한다.
• 제거 분석 결과, 보조 손실이 포함된 LFA 모듈은 기준 모델 대비 F1 점수를 0.95%p 향상시켜 78.79 vs. 77.84를 기록한다.
• 시각화 결과, LFA는 특징 표현을 향상시키고 배경 노이즈를 억제하며, 가림 상황에서도 정확도를 유지함을 보여준다.
• 특히 곡선이 많은 복잡한 시나리오에서 뛰어난 성능을 보이며, ERF-E2E보다 F1 점수에서 5% 이상 높게 기록한다.
• 전역 연관 메커니즘 덕분에 후처리 단계에서 병렬 처리가 가능해져 순차적 키포인트 그룹화 방식에 비해 추론 효율성이 크게 향상된다.