[论文解读] 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 8

一句话总结

本文提出了一种新颖的超高速车道检测方法，采用混合（行与列）锚点驱动的序数分类，将车道检测建模为稀疏锚点上的全局自顶向下分类问题。通过利用大感受野和稀疏性，该方法在速度和精度上均达到当前最先进水平（300+ FPS），尤其在遮挡和低光照等挑战性场景中表现优异。

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.

研究动机与目标

• 解决深度车道检测中因密集像素级分割导致的效率瓶颈。
• 通过利用全局上下文信息，克服严重遮挡和极端光照条件下的无视觉线索问题。
• 通过引入混合锚点系统，减少侧车道和自车道的定位误差。
• 开发一种轻量化、快速且准确的车道检测框架，适用于边缘设备的实时部署。

提出的方法

• 将车道表示为混合锚点系统上的稀疏坐标，使用行锚点表示自车道，列锚点表示侧车道，以减少定位偏差。
• 将车道检测建模为全局特征图上的序数分类问题，支持大感受野和长程上下文建模。
• 采用自顶向下的锚点驱动分类头，直接预测车道坐标，避免昂贵的密集预测。
• 利用序数分类损失在锚点上预测离散位置，提升泛化能力和鲁棒性。
• 集成轻量化主干网络（如ResNet-18），实现实时推理速度而不损失精度。
• 应用混合锚点系统，动态适应车道方向，缓解单锚点系统中放大的定位误差问题。

实验结果

研究问题

• RQ1 自顶向下的锚点驱动分类方法是否能在速度和鲁棒性上超越密集分割方法？
• RQ2 混合锚点系统（行+列）在减少不同类型车道（自车道与侧车道）定位误差方面效果如何？
• RQ3 结合全局特征表示的序数分类在无视觉线索场景中能多大程度上提升性能？
• RQ4 所提方法能否在保持标准基准上SOTA精度的同时实现实时推理（如300+ FPS）？

主要发现

• 所提方法在轻量化ResNet-18主干网络下实现300+ FPS，显著优于先前方法的速度表现。
• 在CULane数据集上，该方法在相同推理速度下较基线方法F1分数提升6.3分，展现出更强的鲁棒性。
• 在TuSimple数据集上，该方法推理速度比SCNN快41.7倍，同时保持相当或更高的F1分数和精度，证明了其高效性与有效性。
• 在CurveLanes数据集上，该方法实现81.34%的F1分数，速度达86 FPS，优于CurveLane-S（81.12% F1，<45 FPS），在精度和速度上均更优。
• 在LLAMAS数据集上，该方法使用ResNet-34实现94.95% F1分数，速度达156 FPS，优于LaneATT和PolyLaneNet在两项指标上的表现。
• 可视化结果证实，该方法在遮挡、夜间及复杂道路场景中具备出色的泛化能力，混合锚点显著提升了车道定位精度。