차선 감지는 미래 모빌리티 솔루션에서 중요한 주제이다. 배경 잡음, 조명 조건의 변화, 가림(occlusions)과 같은 실제 환경의 도전 과제들은, 데이터 수집과 주석(annotation)에 상당한 노력과 비용이 요구되는 데이터 기반 접근에 특히 두드러지게 효과적인 차선 감지를 어렵게 한다. 이러한 문제를 해결하기 위해 차선 감지 방법은 주변 차선 및 객체로부터 맥락적이고 전역적인 정보를 활용할 필요가 있다. 본 논문에서는 사전 학습(pre-trained) 모델을 Oracle로 사용하는 Spatial Attention Mutual Information Regularization을 제안하며, 이를 SAMIRO라고 한다. SAMIRO는 도메인 비의존적(domain-agnostic) 공간 정보를 보존하면서 사전 학습 모델로부터 지식을 전이하여 차선 감지 성능을 향상시킨다. SAMIRO의 플러그-앤-플레이(plug-and-play) 특성을 활용하여, 이를 다양한 최신 차선 감지 접근법에 통합하고 CULane, Tusimple, LLAMAS와 같은 주요 벤치마크에서 광범위한 실험을 수행한다. 실험 결과, SAMIRO는 서로 다른 모델과 데이터셋 전반에서 성능을 일관되게 향상시키는 것으로 나타났다. 코드는 출판과 함께 공개될 예정이다. • 우리는 사전 학습 모델로부터 도메인 비의존적 지식을 전이함으로써 차선 감지의 일반화(generalization)를 향상시키는 새로운 정규화(regularization) 프레임워크인 SAMIRO를 제안한다. • SAMIRO는 플러그-앤-플레이이며 최신 차선 감지 방법과 함께 확장 가능하다. • 우리는 공개 벤치마크(CULane, Tusimple, LLAMAS)에서 SAMIRO를 검증하였으며, 그 결과 SOTA 모델과 동등하거나 이를 능가하는 성능을 달성함을 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.