[논문 리뷰] CLRerNet: Improving Confidence of Lane Detection with LaneIoU

Hiroto Honda, Yusuke Uchida|arXiv (Cornell University)|2023. 05. 15.

Autonomous Vehicle Technology and Safety인용 수 4

한 줄 요약

CLRerNet는 세그먼테이션 기반 IoU와 더 잘 일치하도록 국소적 레인 각도를 고려한 새로운 IoU 메트릭인 LaneIoU를 도입하여 레인 검출 신뢰도를 향상시킨다. 행렬 기반 검출기에서 LaneIoU를 샘플 할당 및 손실 함수에 통합함으로써, CULane에서 81.43%의 최고 성능 F1 점수와 CurveLanes에서 86.47%의 최고 성능 F1 점수를 달성하여, 공정한 5중 교차 검증 기반 벤치마크를 통해 이전 방법들을 뛰어넘는다.

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.

연구 동기 및 목표

• 레인 검출 성능의 주요 병목 현상을 규명하기 위해, 특히 평가에서 사용되는 실제 IoU 메트릭과 예측된 신뢰도 점수 간의 불일치를 분석한다.
• 특히 기울기나 곡선이 있는 레인에 대해 표준 신뢰도 점수와 세그먼테이션 기반 IoU 간의 낮은 상관관계를 해결한다.
• 예측된 신뢰도 점수가 실제 지도 레인과의 IoU를 반영하도록 직접 최적화하는 학습 방법을 개발한다.
• 교차 검증과 앙상블 모델 평균화를 통한 공정하고 신뢰할 수 있는 벤치마크 프로토콜을 수립하여 재현 가능성과 강건성을 확보한다.

제안 방법

• 비수직 레인을 위한 세그먼테이션 기반 IoU를 더 잘 근사하기 위해 국소적 레인 각도를 통합한 새로운 교차율(Intersection-over-Union) 메트릭인 LaneIoU를 제안한다.
• 동적 샘플 할당 과정에 LaneIoU를 통합하여 더 높은 메트릭 IoU를 가진 앵커를 우선순위로 배정함으로써, 신뢰도 점수 학습을 향상시킨다.
• 기존의 LineIoU 손실을 LaneIoU 손실로 대체함으로써 기울기 의존성에 기인한 회귀 편향을 줄이고 정위치 정확도를 향상시킨다.
• CLRNet 기반으로 새로운 검출기인 CLRerNet를 개발하기 위해, 신뢰도 예측 헤드와 손실 함수를 LaneIoU 인식 기반 구성 요소로 교체한다.
• 5개의 시드와 5중 교차 검증 프로토콜을 사용하여 평균 성능을 계산함으로써 공정하고 강건한 평가를 확보한다.
• 검증 분할에서 F1 점수를 최대화하기 위해 교차 검증을 통해 경험적으로 최적의 신뢰도 임계값(0.44)을 적용한다.

실험 결과

연구 질문

• RQ1 최고 성능의 레인 검출기가 정확한 레인 위치를 탐지하고도 성능이 떨어지는 이유는 무엇인가?
• RQ2 특히 기울기나 곡선이 있는 레인에 대해 예측된 신뢰도 점수를 실제 지도 레인과의 진짜 IoU를 반영하도록 향상시킬 수 있는가?
• RQ3 IoU 계산에 국소적 레인 각도 정보를 통합하면 더 정확하고 일관된 신뢰도 예측이 가능해지는가?
• RQ4 샘플 할당 및 손실 함수에 기하학적 인식이 가능한 IoU 메트릭(LaneIoU)을 통합할 경우 검출기 성능에 어떤 영향을 미치는가?
• RQ5 엄격한 교차 검증 기반의 벤치마크 프로토콜은 보고된 성능 향상의 신뢰성에 어떤 영향을 미치는가?

주요 결과

• CLRerNet는 CULane 데이터셋에서 기존 최고 성능 기준 0.96%p 높은 신뢰도를 기록한 새로운 최고 성능 F1 점수 81.43%를 달성한다.
• CurveLanes에서 CLRerNet는 기존 최고 성능 기준 0.37%p 높은 F1 점수 86.47%를 기록한다.
• 제거 실험 결과, 동적-k 할당, 비용 함수, 손실 함수에서 LaneIoU를 LineIoU로 대체할 경우 모든 설정에서 일관된 성능 저하가 발생함을 확인하였다.
• 기울기가 수직이 아닌 범위에서 예측된 신뢰도 점수와 진짜 IoU 간의 $l1$ 오차가 크게 감소하여, 더 나은 신뢰도 캘리브레이션을 입증하였다.
• LaneIoU를 사용할 경우, 다양한 레인 각도에 걸쳐 지도 레인당 할당된 앵커 수가 더 균일해져 기울기 변화에 기인한 편향이 감소함을 확인하였다.
• 오라클 실험 결과, 신뢰도 점수가 주요 병목 요소임을 입증하였다. 진짜 IoU 값으로 설정된 경우 F1 점수가 98.47%에 도달함으로써, 현재 모델들이 정확한 위치를 탐지하고도 신뢰도를 정확히 예측하지 못하고 있음을 시사한다.