차선 검출은 미래 모빌리티 솔루션에서 중요한 주제이다. 배경 잡음(background clutter), 조명 조건의 변화, 가림(occlusions)과 같은 실제 환경의 어려움은 특히 데이터 기반 접근법에 의존할 때 효과적인 차선 검출을 수행하는 데 중대한 장애물이 된다. 이는 데이터 수집과 라벨링(annotation)을 위해 상당한 노력과 비용이 요구되기 때문이다. 이러한 문제를 해결하기 위해 차선 검출 방법은 주변 차선과 객체로부터 맥락적(contextual) 및 전역적(global) 정보를 활용해야 한다. 본 논문에서는 사전 학습(pre-trained) 모델을 오라클(Oracle)로 사용하는 Spatial Attention Mutual Information Regularization, SAMIRO를 제안한다. SAMIRO는 도메인 비특이적(domain-agnostic) 공간 정보를 보존하면서 사전 학습 모델로부터 지식을 전이(transfer)하여 차선 검출 성능을 향상시킨다. SAMIRO의 플러그-앤-플레이(plug-and-play) 특성을 활용하여 이를 다양한 최신 차선 검출 접근법에 통합하고 CULane, Tusimple, LLAMAS와 같은 주요 벤치마크에서 광범위한 실험을 수행하였다. 그 결과 SAMIRO는 서로 다른 모델과 데이터셋 전반에서 성능을 일관되게 향상시키는 것으로 나타났다. 코드는 출판 시 제공될 예정이다.

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