概要

特徴抽出したFPN構造の特徴マップを、上位から下位まで複合的に活用する車線検出手法であるCross Layer Refinement Network (CLRNet)を提案
CULaneとTuSimpleとLLAMASのデータセットで従来手法を上回る

新規性・差分

二次元の点列$𝑃$（レーン事前分布）をネットワークで出力
- 前景と背景の確率、線の長さ、角度、予測と正解の水平距離
ResNetをBackboneとし、FPN構造から特徴マップ$𝐿_0, 𝐿_1, 𝐿_2$を生成
点列$P$と特徴マップ$L$を組み合わせる
- \[P_t = P_{t-1} \circ R_t (L_{t-1},P_{t-1})\]
- 上位から下位の特徴を活用するため
点列Pをもとに特徴マップ$L$をROIAlignで抽出
Attentionをとる
- \[\mathcal{G} = \mathcal{W}\mathcal{X}^T_f\]
- \[\mathcal{W} = f(\frac{\mathcal{X}^T_p \mathcal{X}_f}{\sqrt{C}})\]
Line IoU Loss
- 点を別々の変数として扱うため、既存の距離損失を用いると精度が低くなってしまう
- そこで、車線専用のLossを提案
  - \[IoU = \frac{d^\omicron_i}{d^u_i} = \frac{\min(x^p_i+e, x^q_i+e) - \max(x^p_i+e, x^q_i+e)}{\max(x^p_i-e, x^q_i-e) - \min(x^p_i-e, x^q_i-e)}\]
  - \[LIoU = \frac{\sum^N_{i=1} d^\omicron_i}{\sum^N_{i=1} d^u_i}\]