[论文解读] CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending

Hang Xu, Shaoju Wang+4 more|arXiv (Cornell University)|Jul 23, 2020

Autonomous Vehicle Technology and Safety参考文献 35被引用 21

一句话总结

CurveLane-NAS 提出了一种统一的神经架构搜索框架，联合优化主干网络设计、特征融合以及自适应点混合，用于曲线车道检测。其在 CULane 上取得 74.8% 的 F1 分数，在新的 CurveLanes 基准测试上达到 81.12%，显著优于现有方法在复杂曲线车道上的表现。

ABSTRACT

We address the curve lane detection problem which poses more realistic challenges than conventional lane detection for better facilitating modern assisted/autonomous driving systems. Current hand-designed lane detection methods are not robust enough to capture the curve lanes especially the remote parts due to the lack of modeling both long-range contextual information and detailed curve trajectory. In this paper, we propose a novel lane-sensitive architecture search framework named CurveLane-NAS to automatically capture both long-ranged coherent and accurate short-range curve information while unifying both architecture search and post-processing on curve lane predictions via point blending. It consists of three search modules: a) a feature fusion search module to find a better fusion of the local and global context for multi-level hierarchy features; b) an elastic backbone search module to explore an efficient feature extractor with good semantics and latency; c) an adaptive point blending module to search a multi-level post-processing refinement strategy to combine multi-scale head prediction. The unified framework ensures lane-sensitive predictions by the mutual guidance between NAS and adaptive point blending. Furthermore, we also steer forward to release a more challenging benchmark named CurveLanes for addressing the most difficult curve lanes. It consists of 150K images with 680K labels.The new dataset can be downloaded at github.com/xbjxh/CurveLanes (already anonymized for this submission). Experiments on the new CurveLanes show that the SOTA lane detection methods suffer substantial performance drop while our model can still reach an 80+% F1-score. Extensive experiments on traditional lane benchmarks such as CULane also demonstrate the superiority of our CurveLane-NAS, e.g. achieving a new SOTA 74.8% F1-score on CULane.

研究动机与目标

• 解决当前车道检测模型在曲线车道上鲁棒性不足的问题，尤其是在偏远或遮挡区域。
• 克服人工设计架构的局限性，这些架构难以在长距离上下文与短距离曲线细节之间取得平衡。
• 开发一种统一的搜索框架，联合优化主干网络、特征融合与后处理，以实现对曲线敏感的检测。
• 建立一个新的大规模基准 CurveLanes，以在更真实的条件下更好地评估曲线车道检测性能。
• 通过实现所搜索架构在 CULane 和 TuSimple 等数据集间的可迁移性，提升泛化能力与效率。

提出的方法

• 提出一种多目标 NAS 流程，包含三个搜索模块：弹性主干网络搜索、特征融合搜索与自适应点混合。
• 引入一种自适应点混合模块，通过可微分的混合权重学习来优化多尺度预测结果。
• 设计一个搜索空间，结合多级预测头与分层特征融合，以同时捕捉全局连贯性与局部曲线精度。
• 采用基于帕累托前沿的搜索策略，在多个模型变体（CurveLane-S、M、L）中平衡精度、FLOPS 与延迟。
• 采用可微分搜索策略，结合控制器网络，联合优化架构与后处理组件。
• 利用一个新的大规模数据集 CurveLanes（150K 张图像，680K 个标注），在真实曲线车道条件下训练与评估该框架。

实验结果

研究问题

• RQ1 统一的 NAS 框架能否联合优化主干网络架构、特征融合与后处理，以提升曲线车道检测性能？
• RQ2 自适应点混合与标准 NMS 相比，在保留曲线与远距离车道段方面表现如何？
• RQ3 所提出的 CurveLane-NAS 在 CULane 和 TuSimple 等数据集间的泛化能力如何？
• RQ4 在高曲线车道密度的基准上，SOTA 方法与 CurveLane-NAS 之间的性能差距有多大？
• RQ5 如多级头与特征融合等架构组件，对检测精度与效率的贡献程度如何？

主要发现

• CurveLane-NAS 在 CULane 基准上实现了新的 SOTA 结果，F1 分数达 74.8%，比之前方法高出 1.5–1.9 分。
• 在新的 CurveLanes 基准上，CurveLane-S 达到 81.12% 的 F1 分数，相比 SCNN 提升 16%，而后者在复杂场景下性能下降 20–30%。
• 最大规模架构（CurveLane-L）相比 R101-SAD 将 FLOPS 降低 4.5 倍，同时 F1 分数提升 1.3 分。
• 消融实验表明，自适应点混合在大模型上可将性能提升最高达 1.3 分，尤其显著改善远距离与曲线车道的检测效果。
• 所搜索的架构展现出强大的可迁移性：当迁移到 TuSimple 时，模型性能与 SCNN 相当，但 FLOPS 显著降低。
• 定性结果表明，该模型在夜间、湿滑路面及大曲率车道等挑战性场景下表现出更优的鲁棒性。