[论文解读] Keep your Eyes on the Lane: Attention-guided Lane Detection.

Lucas Tabelini, Rodrigo F. Berriel+4 more|arXiv (Cornell University)|Oct 22, 2020

Autonomous Vehicle Technology and Safety参考文献 9被引用 16

一句话总结

本文提出LaneATT，一种基于锚点的深度车道检测模型，通过集成一种新颖的全局注意力机制，聚合上下文信息以增强特征表示，在标准基准上显著提升了性能与效率，超越了当前最先进方法。

ABSTRACT

Modern lane detection methods have achieved remarkable performances in complex real-world scenarios, but many have issues maintaining real-time efficiency, which is important for autonomous vehicles. In this work, we propose LaneATT: an anchor-based deep lane detection model, which, akin to other generic deep object detectors, uses the anchors for the feature pooling step. Since lanes follow a regular pattern and are highly correlated, we hypothesize that in some cases global information may be crucial to infer their positions, especially in conditions such as occlusion, missing lane markers, and others. Thus, we propose a novel anchor-based attention mechanism that aggregates global information. The model was evaluated extensively on two of the most widely used datasets in the literature. The results show that our method outperforms the current state-of-the-art methods showing both a higher efficacy and efficiency. Moreover, we perform an ablation study and discuss efficiency trade-off options that are useful in practice. To reproduce our findings, source code and pretrained models are available at this https URL

研究动机与目标

• 为解决在复杂条件下保持深度车道检测模型实时效率的同时维持高精度的挑战。
• 通过整合全局上下文信息，提升在遮挡、车道标记缺失或能见度低等场景下的车道检测鲁棒性。
• 开发一种基于锚点的注意力机制，以增强特征表示，同时不牺牲计算效率。
• 在广泛使用的车道检测基准上，实现性能与推理速度的最先进水平。

提出的方法

• 该方法采用类似通用目标检测器的基于锚点的特征池化策略，以高效定位车道候选区域。
• 提出一种新颖的基于锚点的注意力机制，用于聚合全局上下文特征，增强车道的表征学习能力。
• 注意力机制聚焦于特征图中的长距离依赖关系，从而在遮挡或标记稀疏的情况下提升检测性能。
• 模型通过标准检测损失函数进行端到端训练，注意力权重在优化过程中自动学习。
• 网络架构专为实时推理设计，通过高效的注意力计算实现精度与速度的平衡。
• 该方法在两个主要车道检测基准上进行了评估，展现出强大的泛化能力与效率。

实验结果

研究问题

• RQ1 基于锚点的注意力机制是否能通过捕捉挑战性场景中的全局上下文依赖关系，提升车道检测性能？
• RQ2 全局注意力的集成如何影响车道检测模型的推理速度与整体效率？
• RQ3 在车道检测中使用全局注意力时，精度提升与计算成本之间的权衡如何？
• RQ4 与当前最先进方法相比，该方法在精度与实时性能方面表现如何？

主要发现

• 所提出的LaneATT模型在两个广泛使用的基准上，均在检测精度与推理速度方面超越了现有最先进方法。
• 注意力机制通过利用长距离空间上下文，显著提升了对遮挡与缺失车道标记的鲁棒性。
• 消融实验确认，全局注意力在性能提升中起到关键作用，尤其在视觉条件复杂的场景下表现突出。
• 该模型在精度与效率之间实现了理想的权衡，适用于自动驾驶车辆的实时部署。
• 源代码与预训练模型已公开，支持完全可复现性与进一步研究。