[논문 리뷰] Keep your Eyes on the Lane: Attention-guided Lane Detection.

Lucas Tabelini, Rodrigo F. Berriel외 4명|arXiv (Cornell University)|2020. 10. 22.

Autonomous Vehicle Technology and Safety참고 문헌 9인용 수 16

한 줄 요약

이 논문은 표준 벤치마크에서 최신 기술 대비 성능과 효율성을 크게 향상시키기 위해 문맥 정보를 집계함으로써 특징 표현을 향상시키는 새로운 글로벌 어텐션 메커니즘을 통합한 앵커 기반 딥 레인 검출 모델인 LaneATT를 제안한다.

ABSTRACT

Modern lane detection methods have achieved remarkable performances in complex real-world scenarios, but many have issues maintaining real-time efficiency, which is important for autonomous vehicles. In this work, we propose LaneATT: an anchor-based deep lane detection model, which, akin to other generic deep object detectors, uses the anchors for the feature pooling step. Since lanes follow a regular pattern and are highly correlated, we hypothesize that in some cases global information may be crucial to infer their positions, especially in conditions such as occlusion, missing lane markers, and others. Thus, we propose a novel anchor-based attention mechanism that aggregates global information. The model was evaluated extensively on two of the most widely used datasets in the literature. The results show that our method outperforms the current state-of-the-art methods showing both a higher efficacy and efficiency. Moreover, we perform an ablation study and discuss efficiency trade-off options that are useful in practice. To reproduce our findings, source code and pretrained models are available at this https URL

연구 동기 및 목표

• 복잡한 조건에서 고정밀도를 유지하면서도 실시간 효율성을 확보하는 딥 레인 검출 모델의 과제를 해결하기 위해.
• 차선 가림, 마커 누락, 저조도 등의 상황에서 글로벌 컨텍스트 정보를 통합함으로써 레인 검출의 강건성을 향상시키기 위해.
• 계산 효율성을 희생시키지 않고 특징 표현을 향상시키는 앵커 기반 어텐션 메커니즘을 개발하기 위해.
• 광범위하게 사용되는 레인 검출 벤치마크에서 유효성과 추론 속도 면에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• 일반적인 객체 검출기와 유사한 앵커 기반 특징 풀링 전략을 사용하여 레인 후보를 효율적으로 국소화한다.
• 글로벌 컨텍스트 특징을 집계하기 위해 새로운 앵커 기반 어텐션 메커니즘을 도입하여 레인에 대한 표현 학습을 향상시킨다.
• 어텐션 메커니즘이 특징 맵 전반의 장거리 종속성을 집중적으로 분석함으로써, 가림이나 흐린 마커 상황에서도 검출 성능을 향상시킨다.
• 표준 검출 손실 함수를 사용하여 엔드 투 엔드로 모델을 훈련시키며, 어텐션 가중치는 최적화 과정에서 함께 학습된다.
• 효율적인 어텐션 계산을 통해 정확도와 속도의 균형을 이루는 실시간 추론을 위한 아키텍처로 설계되었다.
• 강력한 일반화 능력과 효율성을 입증하기 위해 두 가지 주요 레인 검출 벤치마크에서 평가되었다.

실험 결과

연구 질문

• RQ1 장기간의 공간적 종속성을 캡처함으로써 앵커 기반 어텐션 메커니즘이 어려운 상황에서 레인 검출 성능을 향상시킬 수 있는가?
• RQ2 글로벌 어텐션 통합이 레인 검출 모델의 추론 속도와 전체 효율성에 어떤 영향을 미치는가?
• RQ3 레인 검출에 글로벌 어텐션을 사용할 경우 정확도 향상와 계산 비용 간의 상호 교환 관계는 어떠한가?
• RQ4 정확도와 실시간 성능 면에서 제안된 방법은 최신 기술 대비 어떻게 비교되는가?

주요 결과

• 제안된 LaneATT 모델은 두 가지 광범위하게 사용되는 벤치마크에서 기존 최신 기술 대비 검출 정확도와 추론 속도 면에서 모두 뛰어난 성능을 보였다.
• 어텐션 메커니즘이 장거리 공간적 컨텍스트를 활용함으로써, 가림이나 마커 누락 상황에서의 강건성을 크게 향상시켰다.
• 제거 분석 결과, 글로벌 어텐션이 어려운 시각 조건에서 성능 향상에 크게 기여하는 것으로 확인되었다.
• 정확도와 효율성 사이에 유리한 트레이드오���을 달성하여 자율 주행 차량의 실시간 구현에 적합한 모델이다.
• 소스 코드와 사전 학습 모델이 공개되어 있어 재현성과 향후 연구를 완전히 가능하게 했다.