CurveLane-NAS：统一车道敏感架构搜索与自适应点混合
计算机视觉与模式识别
2020-07-24 v1
摘要
我们解决曲线车道检测问题，该问题比传统车道检测提出更现实的挑战，以更好地促进现代辅助/自动驾驶系统。当前手工设计的车道检测方法由于缺乏对长程上下文信息和详细曲线轨迹的建模，不足以鲁棒地捕捉曲线车道尤其是远端部分。本文中，我们提出一种名为 CurveLane-NAS 的新颖车道敏感架构搜索框架，以自动捕捉长程连贯且准确的短程曲线信息，同时通过点混合统一曲线车道预测的架构搜索与后处理。它包含三个搜索模块：a) 特征融合搜索模块，寻找局部与全局上下文在多层级特征上的更好融合；b) 弹性骨干搜索模块，探索具有良好语义和延迟的高效特征提取器；c) 自适应点混合模块，搜索一种多级后处理细化策略以结合多尺度头预测。该统一框架通过 NAS 与自适应点混合之间的相互引导确保车道敏感的预测。此外，我们还进一步发布一个名为 CurveLanes 的更具挑战性的基准以处理最困难的曲线车道。它包含 15 万张图像及 68 万个标签。新数据集可在 github.com/xbjxh/CurveLanes 下载（已为本次投稿匿名化）。在新 CurveLanes 上的实验表明，SOTA 车道检测方法性能大幅下降，而我们的模型仍可达到 80+% 的 F1-score。在传统车道基准（如 CULane）上的大量实验也证明了我们 CurveLane-NAS 的优越性，例如在 CULane 上达到新的 SOTA 74.8% F1-score。
引用
@article{arxiv.2007.12147,
title = {CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending},
author = {Hang Xu and Shaoju Wang and Xinyue Cai and Wei Zhang and Xiaodan Liang and Zhenguo Li},
journal= {arXiv preprint arXiv:2007.12147},
year = {2020}
}
备注
Accepted by ECCV2020