論文の概要: RoadTagger: Robust Road Attribute Inference with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/1912.12408v1
- Date: Sat, 28 Dec 2019 06:09:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 12:46:34.996752
- Title: RoadTagger: Robust Road Attribute Inference with Graph Neural Networks
- Title（参考訳）: RoadTagger: グラフニューラルネットワークによるロバストな道路属性推論
- Authors: Songtao He, Favyen Bastani, Satvat Jagwani, Edward Park, Sofiane
Abbar, Mohammad Alizadeh, Hari Balakrishnan, Sanjay Chawla, Samuel Madden,
Mohammad Amin Sadeghi
- Abstract要約: 衛星画像からレーン数や道路タイプなどの道路特性を推定することは困難である。
RoadTaggerは、畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を組み合わせて、道路特性を推論するエンドツーエンドアーキテクチャである。
我々は米国20都市の688 km2の領域をカバーする大規模な実世界のデータセットと、合成マイクロデータセットの両方でRoadTaggerを評価した。
- 参考スコア（独自算出の注目度）: 26.914950002847863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring road attributes such as lane count and road type from satellite
imagery is challenging. Often, due to the occlusion in satellite imagery and
the spatial correlation of road attributes, a road attribute at one position on
a road may only be apparent when considering far-away segments of the road.
Thus, to robustly infer road attributes, the model must integrate scattered
information and capture the spatial correlation of features along roads.
Existing solutions that rely on image classifiers fail to capture this
correlation, resulting in poor accuracy. We find this failure is caused by a
fundamental limitation -- the limited effective receptive field of image
classifiers. To overcome this limitation, we propose RoadTagger, an end-to-end
architecture which combines both Convolutional Neural Networks (CNNs) and Graph
Neural Networks (GNNs) to infer road attributes. The usage of graph neural
networks allows information propagation on the road network graph and
eliminates the receptive field limitation of image classifiers. We evaluate
RoadTagger on both a large real-world dataset covering 688 km^2 area in 20 U.S.
cities and a synthesized micro-dataset. In the evaluation, RoadTagger improves
inference accuracy over the CNN image classifier based approaches. RoadTagger
also demonstrates strong robustness against different disruptions in the
satellite imagery and the ability to learn complicated inductive rules for
aggregating scattered information along the road network.
- Abstract（参考訳）: 衛星画像から車線数や道路タイプなどの道路特性を推定することは困難である。
しばしば、衛星画像の閉塞と道路属性の空間的相関により、道路上の一つの位置における道路属性は、道路の遠方のセグメントを考える場合にのみ現れる。
したがって,道路特性を頑健に推定するには,分散情報を統合し,道路に沿った特徴の空間的相関を捉える必要がある。
画像分類器に依存する既存のソリューションは、この相関を捉えることができず、結果として精度が低下する。
この失敗は、画像分類器の有効受容領域が制限された基本的な制限によって引き起こされる。
この制限を克服するため,道路属性を推測するために,畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を組み合わせたエンドツーエンドアーキテクチャであるRoadTaggerを提案する。
グラフニューラルネットワークの使用により、道路ネットワークグラフ上での情報伝搬が可能となり、画像分類器の受容的フィールド制限を排除できる。
そこで我々は,20都市の688 km^2領域をカバーする大規模実世界のデータセットと,合成マイクロデータセットを用いてRoadTaggerを評価する。
評価において、RoadTaggerはCNN画像分類器に基づくアプローチよりも推論精度を向上させる。
RoadTaggerはまた、衛星画像のさまざまな破壊に対して強い堅牢性を示し、道路ネットワークに沿って散在する情報を集約する複雑な帰納規則を学習する能力を示している。
関連論文リスト
- Holistically-Nested Structure-Aware Graph Neural Network for Road Extraction [6.537257686406911]
本稿では,道路領域と道路境界の両方を同時に検出する新しいグラフニューラルネットワーク(GNN)を提案する。
挑戦的データセットの実験により,提案手法が道路境界のデライン化と道路抽出精度を向上させることを示す。
論文 参考訳（メタデータ） (2024-07-02T20:11:09Z) - Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。
本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。
カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
論文 参考訳（メタデータ） (2024-04-11T10:26:40Z) - Road Network Representation Learning: A Dual Graph based Approach [15.092888613780406]
道路網は交通、移動、物流など多くのアプリケーションを動かす重要なインフラである。
高速ネットワーク表現学習(RNRL)と呼ばれるベクトルの形で道路の表現を学習する必要がある。
論文 参考訳（メタデータ） (2023-04-13T09:30:11Z) - Graph representation learning for street networks [0.0]
ストリートネットワークは、私たちの都市における異なる時間的および出現に関する貴重な情報ソースを提供する。
これまでの研究では、学習アルゴリズムによって元のデータの表現が作成できることが示されている。
本稿では,街路ネットワークから直接優れた表現を推測できるモデルを提案する。
論文 参考訳（メタデータ） (2022-11-09T16:02:28Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - RNGDet: Road Network Graph Detection by Transformer in Aerial Images [19.141279413414082]
道路ネットワークグラフは、自動運転車アプリケーションにとって重要な情報を提供する。
手動でアノテートする道路ネットワークグラフは非効率で労働集約的です。
RNGDetという変圧器と模倣学習に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-02-16T01:59:41Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳（メタデータ） (2021-09-16T03:52:17Z) - Scalable Learning With a Structural Recurrent Neural Network for
Short-Term Traffic Prediction [12.550067622364162]
本稿では,道路網における交通履歴データに基づく短期交通予測のためのスケーラブルな深層学習手法を提案する。
道路ネットワークのデータで訓練されたSRNNモデルは、訓練するパラメータの固定数で、異なる道路ネットワークのトラフィック速度を予測することができます。
論文 参考訳（メタデータ） (2021-03-03T18:21:49Z) - Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。
我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。
北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
論文 参考訳（メタデータ） (2020-12-21T18:59:12Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-23T03:50:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。