HG-Lane: 再アノテーション不要で悪天候・照明条件下の車線シーンを高忠実度に生成する手法
arXiv cs.CV / 2026/3/12
📰 ニュースTools & Practical UsageModels & Research
要点
- HG-Laneは、再アノテーションを必要としない悪天候・照明条件下の車線シーンの高忠実度生成フレームワークを提案し、既存データセットにおけるデータ不足の問題に対処します。
- 著者らは、困難な条件下で車線検出を評価するため、悪天候・照明シナリオを含む3万枚のベンチマークを構築しました。
- 本フレームワークは車線検出性能を著しく向上させます。例えば、CLRNetを用いた場合、ベンチマーク全体のmF1は20.87%向上し、F1@50は全体(19.75%)、 normal(8.63%)、 snow(38.8%)、 rain(14.96%)、 fog(26.84%)、 night(21.5%)、 dusk(12.04%)の各カテゴリで向上します。
- コードとデータセットをGitHubで公開しており、実務者が再現し本研究を発展させることができます。
- 本研究は、過酷な天候下における自動運転システムの頑健性を高め、安全な高速道路運用とデータ効率の良いアノテーション戦略の研究に寄与します。
車線検出は自動運転における重要なタスクであり、車両の安全な運用を確保するのに役立ちます。しかし、CULaneやTuSimpleなどの既存データセットは、雨、雪、霧を含む過酷な気象条件下でデータ量が比較的限られています。その結果、これらのデータセットで訓練された検出モデルは、そのような環境でしばしば信頼性を欠くことがあり、道路上で重大な安全上の障害を引き起こす可能性があります。この問題に対処するために、再アノテーションを必要とせずに悪天候と照明条件下の車線シーンを高忠実度で生成するHG-Laneを提案します。基づくこのフレームワークに基づき、悪天候・照明シナリオを含む3万枚のベンチマークをさらに構築しました。実験結果は、私たちの手法が既存の車線検出ネットワークの性能を一貫して顕著に向上させることを示しています。例えば、最先端のCLRNetを使用すると、私たちのベンチマーク全体のmF1スコアは20.87%向上します。全体、正常、雪、雨、霧、夜間、黄昏の各カテゴリのF1@50スコアは、それぞれ19.75%、8.63%、38.8%、14.96%、26.84%、21.5%、12.04%向上します。コードとデータセットは以下で利用可能です： https://github.com/zdc233/HG-Lane。
