[논문 리뷰] Key Points Estimation and Point Instance Segmentation Approach for Lane Detection

Yeongmin Ko, Younkwan Lee외 4명|arXiv (Cornell University)|2020. 02. 16.

Autonomous Vehicle Technology and Safety참고 문헌 49인용 수 62

한 줄 요약

PINet은 정확한 차선 키 포인트를 예측하고 임베딩 특징을 사용하여 포인트를 차선 인스턴스로 군집화하여, 순서에 구애받지 않는 유연한 차선 감지와 clip 친화적 깊이 및 실시간 성능을 가능하게 한다.

ABSTRACT

Perception techniques for autonomous driving should be adaptive to various environments. In the case of traffic line detection, an essential perception module, many condition should be considered, such as number of traffic lines and computing power of the target system. To address these problems, in this paper, we propose a traffic line detection method called Point Instance Network (PINet); the method is based on the key points estimation and instance segmentation approach. The PINet includes several stacked hourglass networks that are trained simultaneously. Therefore the size of the trained models can be chosen according to the computing power of the target environment. We cast a clustering problem of the predicted key points as an instance segmentation problem; the PINet can be trained regardless of the number of the traffic lines. The PINet achieves competitive accuracy and false positive on the TuSimple and Culane datasets, popular public datasets for lane detection. Our code is available at https://github.com/koyeongmin/PINet_new

연구 동기 및 목표

• 교통선에서 정확한 키 포인트를 예측하는 차선 감지 방법 개발.
• 고정된 차선 수를 가정하지 않고 인스턴스 인식 차선 구분 활성화.
• 재학습 없이도 다양한 컴퓨팅 환경에 맞게 클리핑 가능한 모델 크기를 제공.
• 공개 차선 감지 데이터셋에서 거짓 양성 감소 및 경쟁력 있는 정확도 유지.

제안 방법

• 키 포인트를 예측하고 이를 임베딩하여 인스턴스 세분화를 수행하기 위해 스택형 하우스넷 네트워크(PINet)를 사용.
• 하우스블록당 세 개의 출력 분기: 신뢰도(포인트 존재 여부), 오프셋(정확한 포인트 위치), 임베딩 특징(인스턴스로의 클러스터링용)
• 64x32 그리드에서 출력을 예측하고 더 깊은(교사) 네트워크로부터 절단된(학생) 네트워크로 지식 증류를 적용하여 성능을 유지.
• 존재성, 비존재성, 오프셋, 임베딩 특징, 증류 손실을 결합한 다항 손실로 학습; 전체 손실은 가중합이다.
• retraining 없이 모델 크기와 계산 요구를 조정하기 위해 hourglass 모듈을 클리핑하도록 허용.

실험 결과

연구 질문

• RQ1 PINet가 다양한 도로 장면과 차선 수에서 정확한 차선 키 포인트를 안정적으로 예측할 수 있는가?
• RQ2 임베딩 기반 인스턴스 추론이 사전에 차선 수를 정의하지 않아도 거짓 양성을 줄이고 차선 인스턴스를 정확히 구분하는가?
• RQ3 네트워크가 더 적은 hourglass 모듈로 클리핑될 때 지식 증류가 성능에 어떤 영향을 미치는가?
• RQ4 표준 차선 감지 벤치마크에서 네트워크 깊이(1H–4H)와 정확도/FP/FN 간의 트레이드오프는 무엇인가?

주요 결과

• PINet은 TuSimple 및 CULane 데이터셋에서 경쟁력 있는 정확도와 낮은 거짓 양성을 달성한다.
• 더 깊은 PINet(최대 4H)는 정확도가 높아지나 3H 이후 클리핑의 수익이 감소한다.
• 클리핑된 네트워크(2H–4H)는 증류를 통해 특히 전체 4H 모델에 가까운 성능을 보인다.
• PINet은 특히 어려운 조명 조건(야간, 그림자, 눈부신 빛)에서 CULane에서 강력한 성능을 보여준다.
• 이 프레임워크는 밀집한 세분화 출력 대신 키 포인트를 예측함으로써 출력 크기를 감소시킨다.