[論文レビュー] Ultra Fast Deep Lane Detection with Hybrid Anchor Driven Ordinal Classification

Zequn Qin, Pengyi Zhang+1 more|arXiv (Cornell University)|Jun 15, 2022

Autonomous Vehicle Technology and Safety被引用数 8

ひとこと要約

本稿では、疎なアンカー点上でグローバルかつトップダウンな分類問題として扱う、ハイブリッド（行方向および列方向）アンカー駆動型順序分類を用いた、全く新しい超高速レーン検出手法を提案する。大規模な受容 field とスパarsity を活用することで、最先端の速度（300+ FPS）と精度を達成し、特に遮蔽や低照度条件下でも優れた性能を示す。

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.

研究の動機と目的

• 密集したピクセル単位のセグメンテーションに起因する深層レーン検出における効率性のボトル neck を解消すること。
• グローバルな文脈的情報を活用することで、重度の遮蔽や極端な照明条件下での視認不能問題を克服すること。
• ハイブリッドアンカー・システムの導入により、サイドレーンおよびオートレーンにおける局所化誤差を低減すること。
• エッジデバイスへのリアルタイム統合に適した、軽量で高速かつ高精度なレーン検出フレームワークの開発。

提案手法

• オートレーンには行アンカー、サイドレーンには列アンカーを用いるハイブリッドアンカーシステムを採用し、局所化バイアスを低減する。
• グローバル特徴マップ上で順序分類問題としてレーン検出を定式化することで、大規模な受容 field と長距離の文脈モデリングを可能にする。
• 上位からアンカー駆動型分類ヘッドを用い、直接的にレーン座標を予測することで、高コストな密集予測を回避する。
• 順序分類損失を活用してアンカー上の離散的位置を予測することで、一般化性能とロバスト性を向上させる。
• 軽量バックボーン（例：ResNet-18）を統合することで、精度を損なわずリアルタイム推論速度を達成する。
• ハイブリッドアンカーシステムにより、レーンの方向に応じて動的に適応可能となり、単一アンカー方式で顕著に顕在する局所化誤差の拡大問題を軽減する。

実験結果

リサーチクエスチョン

• RQ1 トップダウンかつアンカー駆動型分類アプローチは、レーン検出において、密なセグメンテーションに比べて速度とロバスト性で優れているか？
• RQ2 ハイブリッドアンカーシステム（行＋列）は、オートレーンとサイドレーンという異なるレーンタイプにおいて、局所化誤差をどれほど低減できるか？
• RQ3 グローバル特徴表現を用いた順序分類は、視認不能状態（no-visual-clue）においてどれほど効果を発揮するか？
• RQ4 提案手法は、標準ベンチマークで最先端の精度を維持しつつ、リアルタイム推論（例：300+ FPS）を達成できるか？

主な発見

• 提案手法は、軽量なResNet-18バックボーンを用いて300+ FPSを達成し、先行手法に比べて顕著に高速である。
• CULaneデータセットでは、同じ推論速度下でベースライン手法比でF1スコアが6.3ポイント向上し、優れたロバスト性を示した。
• TuSimpleでは、SCNNに比べ41.7倍高速に動作しながら、同等または優れたF1スコアと精度を維持しており、その効率性と有効性を裏付けた。
• CurveLanesでは、86 FPSで81.34%のF1スコアを達成し、CurveLane-S（81.12% F1、45 FPS未満）を精度および速度の両面で上回った。
• LLAMASでは、ResNet-34を用いて156 FPSで94.95%のF1スコアを達成し、LaneATTおよびPolyLaneNetを両方の指標で上回った。
• 可視化結果から、遮蔽、夜間、複雑な道路状況下でも、ハイブリッドアンカーを用いることで局所化精度が向上し、優れた一般化性能を示していることが確認された。