[논문 리뷰] Ultra Fast Deep Lane Detection with Hybrid Anchor Driven Ordinal Classification

Zequn Qin, Pengyi Zhang외 1명|arXiv (Cornell University)|2022. 06. 15.

Autonomous Vehicle Technology and Safety인용 수 8

한 줄 요약

이 논문은 희소한 앵커 포인트 위에서 전역적이고 상향식 분류 문제로 간주하는 하이브리드(행 및 열) 앵커 기반 서열 분류를 사용하여 초고속 레인 감지 방법을 제안한다. 대용량 수신 필드와 희소성의 특성을 활용하여, 특히 가림 및 저조도 조건과 같은 도전적인 상황에서 최신 기술 수준의 속도(300+ FPS)와 정확도를 달성한다.

ABSTRACT

Modern methods mainly regard lane detection as a problem of pixel-wise segmentation, which is struggling to address the problems of efficiency and challenging scenarios like severe occlusions and extreme lighting conditions. Inspired by human perception, the recognition of lanes under severe occlusions and extreme lighting conditions is mainly based on contextual and global information. Motivated by this observation, we propose a novel, simple, yet effective formulation aiming at ultra fast speed and the problem of challenging scenarios. Specifically, we treat the process of lane detection as an anchor-driven ordinal classification problem using global features. First, we represent lanes with sparse coordinates on a series of hybrid (row and column) anchors. With the help of the anchor-driven representation, we then reformulate the lane detection task as an ordinal classification problem to get the coordinates of lanes. Our method could significantly reduce the computational cost with the anchor-driven representation. Using the large receptive field property of the ordinal classification formulation, we could also handle challenging scenarios. Extensive experiments on four lane detection datasets show that our method could achieve state-of-the-art performance in terms of both speed and accuracy. A lightweight version could even achieve 300+ frames per second(FPS). Our code is at https://github.com/cfzd/Ultra-Fast-Lane-Detection-v2.

연구 동기 및 목표

• 밀도 있는 픽셀 단위 분할에 기인한 딥 레인 감지의 효율성 저하 문제를 해결한다.
• 심한 가림 및 극단적인 조명 조건에서의 시각적 단서 부족 문제를 극복하기 위해 전역적 맥락 정보를 활용한다.
• 측면 레인과 자동차 주행 레인의 국소화 오차를 줄이기 위해 하이브리드 앵커 시스템을 도입한다.
• 실시간 엣지 디바이스에 적합한 경량, 빠르고 정확한 레인 감지 프레임워크를 개발한다.

제안 방법

• 자신의 레인을 행 앵커로, 측면 레인을 열 앵커로 사용하여 하이브리드 앵커 시스템 상의 희소 좌표로 표현함으로써 국소화 편향을 감소시킨다.
• 전역 특징 맵 상에서 서열 분류 문제로 레인 감지를 공식화하여 대규모 수신 필드와 장거리 맥락 모델링을 가능하게 한다.
• 밀도 있는 예측을 피하기 위해 직접 레인 좌표를 예측하는 상향식, 앵커 기반 분류 헤드를 사용한다.
• 서열 분류 손실을 활용하여 앵커 상의 이산적 위치를 예측함으로써 일반화 능력과 강건성을 향상시킨다.
• 실시간 추론 속도를 확보하면서 정확도를 유지하기 위해 경량 백본(예: ResNet-18)을 통합한다.
• 하이브리드 앵커 시스템을 도입하여 레인 방향에 따라 동적으로 적응함으로써 단일 앵커 시스템에서 발생하는 국소화 오차의 증폭 문제를 완화한다.

실험 결과

연구 질문

• RQ1 상향식, 앵커 기반 분류 접근 방식이 레인 감지에서 속도와 강건성 측면에서 밀도 있는 분할 기반 방법을 능가할 수 있는가?
• RQ2 하이브리드 앵커 시스템(행 + 열)이 서로 다른 레인 유형(자기차 레인 대 측면 레인)에서 국소화 오차를 얼마나 효과적으로 줄일 수 있는가?
• RQ3 전역 특징 표현을 갖춘 서열 분류가 시각적 단서가 없는 상황에서 성능 향상에 얼마나 기여하는가?
• RQ4 제안된 방법이 표준 벤치마크에서 최신 기술 수준의 정확도를 유지하면서도 실시간 추론(예: 300+ FPS)을 달성할 수 있는가?

주요 결과

• 제안된 방법은 가벼운 ResNet-18 백본을 사용하여 300+ FPS를 달성하며, 이는 이전 방법들에 비해 뚜렷한 속도 우위를 확보한다.
• CULane 데이터셋에서, 동일한 추론 속도에서 기준 방법 대비 F1 스코어를 6.3 포인트 향상시켜 뛰어난 강건성을 입증한다.
• TuSimple에서, SCNN 대비 41.7배 빠른 속도로 실행되면서도 F1 및 정확도는 유사하거나 더 높게 유지하여 효율성과 효과성을 입증한다.
• CurveLanes에서, 86 FPS로 81.34% F1을 달성하여 CurveLane-S(81.12% F1, <45 FPS)보다 정확도와 속도 양면에서 뛰어나다.
• LLAMAS에서, ResNet-34를 사용하여 156 FPS로 94.95% F1을 달성하며, LaneATT 및 PolyLaneNet을 양쪽 지표에서 모두 능가한다.
• 시각화 결과는 하이브리드 앵커를 활용한 방법이 가림, 야간, 복잡한 도로 환경에서 강력한 일반화 능력을 보이며 국소화 정확도가 향상됨을 확인한다.