[论文解读] CLRerNet: Improving Confidence of Lane Detection with LaneIoU

Hiroto Honda, Yusuke Uchida|arXiv (Cornell University)|May 15, 2023

Autonomous Vehicle Technology and Safety被引用 4

一句话总结

CLRerNet 通过引入一种新颖的 IoU 指标 LaneIoU，提升了车道检测的置信度。该指标通过考虑局部车道角度，使预测的置信度分数更准确地匹配基于分割的 IoU。通过在基于行的检测器中将 LaneIoU 集成到样本分配和损失函数中，CLRerNet 在 CULane 上实现了 81.43% 的 SOTA F1 分数，在 CurveLanes 上实现了 86.47% 的 SOTA F1 分数，通过公平的五折交叉验证基准显著优于先前方法。

ABSTRACT

Lane marker detection is a crucial component of the autonomous driving and driver assistance systems. Modern deep lane detection methods with row-based lane representation exhibit excellent performance on lane detection benchmarks. Through preliminary oracle experiments, we firstly disentangle the lane representation components to determine the direction of our approach. We show that correct lane positions are already among the predictions of an existing row-based detector, and the confidence scores that accurately represent intersection-over-union (IoU) with ground truths are the most beneficial. Based on the finding, we propose LaneIoU that better correlates with the metric, by taking the local lane angles into consideration. We develop a novel detector coined CLRerNet featuring LaneIoU for the target assignment cost and loss functions aiming at the improved quality of confidence scores. Through careful and fair benchmark including cross validation, we demonstrate that CLRerNet outperforms the state-of-the-art by a large margin - enjoying F1 score of 81.43% compared with 80.47% of the existing method on CULane, and 86.47% compared with 86.10% on CurveLanes.

研究动机与目标

• 识别车道检测性能中的关键瓶颈，特别是预测置信度分数与评估中使用的实际 IoU 指标之间的错位问题。
• 解决标准置信度分数与基于分割的 IoU 之间相关性差的问题，尤其是在倾斜或曲线车道上。
• 开发一种训练方法，直接优化置信度分数，使其更准确地反映与真实车道的 IoU。
• 通过交叉验证和集成模型平均，建立公平且可靠的基准测试协议，以确保可复现性和鲁棒性。

提出的方法

• 提出 LaneIoU，一种新颖的交并比（IoU）指标，通过引入局部车道角度，更准确地逼近非竖直车道的基于分割的 IoU。
• 将 LaneIoU 集成到动态样本分配过程中，优先选择 IoU 指标更高的候选框，从而改善置信度分数的学习。
• 用 LaneIoU 损失替换标准的 LineIoU 损失，以减少与倾斜相关的回归偏差，提升定位精度。
• 基于 CLRNet 开发 CLRerNet，通过用 LaneIoU 意识的组件替换原有的置信度预测头和损失函数。
• 采用五次种子、五折交叉验证协议计算平均性能，确保评估的公平性和鲁棒性。
• 通过交叉验证确定经验上最优的置信度阈值（0.44），以在验证集上最大化 F1 分数。

实验结果

研究问题

• RQ1 为何最先进的车道检测器在检测到正确车道位置的情况下仍表现不佳？
• RQ2 置信度分数能否得到改进，以更准确地反映与真实车道的真正 IoU，尤其是在倾斜或曲线车道上？
• RQ3 在 IoU 计算中引入局部车道角度信息，是否能带来更准确且一致的置信度预测？
• RQ4 在样本分配和损失函数中使用几何感知的 IoU 指标（LaneIoU）对检测器性能有何影响？
• RQ5 严格的、经过交叉验证的基准测试协议对报告性能提升的可靠性有何影响？

主要发现

• CLRerNet 在 CULane 数据集上实现了 81.43% 的新 SOTA F1 分数，比之前 SOTA 方法高出 0.96 个百分点。
• 在 CurveLanes 上，CLRerNet 实现了 86.47% 的 F1 分数，比先前 SOTA 方法高出 0.37 个百分点。
• 消融研究证实，将动态 k 分配、代价函数和损失函数中的 LaneIoU 替换为 LineIoU 会导致所有设置下性能一致下降。
• 在非竖直角度范围内，预测置信度分数与真实 IoU 之间的 $l1$ 误差显著降低，表明置信度校准得到改善。
• 使用 LaneIoU 后，不同车道角度下的每条真实车道（GT）分配的候选框数量更加均匀，减少了因倾斜变化带来的偏差。
• Oracle 实验表明，置信度分数是主要瓶颈——当置信度设置为真实 IoU 值时，F1 分数达到 98.47%，表明当前模型尽管能检测到正确位置，却无法准确预测置信度。