複数の階層で特徴マップを段階的に洗練させてから、車線の部分領域と全体を組み合わせて大域的な特徴表現を獲得するROIGatherを使用するとともに、車線の検出結果に対するIoUとしてLIoU(Line IoU)を定義し、LIoUの最大化を損失関数に含むCLRNetを提案した。

バックボーンにResNet-18/34/101及びDLA-34を使用し、CULaneとTuSimpleとLLAMASのデータセットで評価を行い、従来手法を上回る結果。

車線検出の新たなネットワーク構造を提案し、複数のデータセットで高い検出性能を示したため通ったと考えられる。PyTorch実装( https://github.com/Turoad/CLRNet )が公開されている。