論文の概要: Convolutional Recurrent Network for Road Boundary Extraction
- arxiv url: http://arxiv.org/abs/2012.12160v1
- Date: Mon, 21 Dec 2020 18:59:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 06:28:46.197176
- Title: Convolutional Recurrent Network for Road Boundary Extraction
- Title（参考訳）: 道路境界抽出のための畳み込みリカレントネットワーク
- Authors: Justin Liang, Namdar Homayounfar, Wei-Chiu Ma, Shenlong Wang, Raquel
Urtasun
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 99.55522995570063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Creating high definition maps that contain precise information of static
elements of the scene is of utmost importance for enabling self driving cars to
drive safely. In this paper, we tackle the problem of drivable road boundary
extraction from LiDAR and camera imagery. Towards this goal, we design a
structured model where a fully convolutional network obtains deep features
encoding the location and direction of road boundaries and then, a
convolutional recurrent network outputs a polyline representation for each one
of them. Importantly, our method is fully automatic and does not require a user
in the loop. We showcase the effectiveness of our method on a large North
American city where we obtain perfect topology of road boundaries 99.3% of the
time at a high precision and recall.
- Abstract（参考訳）: シーンの静的要素の正確な情報を含む高定義マップを作成することは、自動運転車を安全に運転できるようにする上で最も重要である。
本稿では,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。
この目的に向けて,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した深い特徴を取得し,畳み込み再帰ネットワークがそれらのそれぞれに対してポリライン表現を出力する構造モデルを設計する。
重要なことに,本手法は完全自動であり,ループ内のユーザを必要としない。
本研究では, 道路境界の完全トポロジーを高精度かつリコールすることで, 道路境界の99.3%の完全なトポロジーが得られる北米大都市において, 提案手法の有効性を示す。
関連論文リスト
- Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Brightearth roads: Towards fully automatic road network extraction from satellite imagery [2.446672595462589]
衛星画像から道路網を抽出する完全自動パイプラインを提案する。
提案手法は, シームレスに接続し, 正確な位置決めを行う道路線路ストリングを直接生成する。
論文 参考訳（メタデータ） (2024-06-21T07:55:15Z) - Correcting Faulty Road Maps by Image Inpainting [6.1642231492615345]
そこで我々は,道路地図を複雑な道路ジオメトリで固定する,カスタムメイドのジオメトリを使わずに,新しい画像インペインティング手法を提案する。
提案手法は, 直線道路, 曲がりくねった道路, T-ジャンクション, 交差点など, 様々な実世界の道路測地における有効性を示す。
論文 参考訳（メタデータ） (2022-11-12T01:58:32Z) - 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) - Hierarchical Road Topology Learning for Urban Map-less Driving [8.107327095922729]
我々は、車両自体の感覚システムを活用することで、オンライン道路地図抽出の課題に取り組む。
本研究では,全畳み込みネットワーク内で,道路網のグラフ表現を階層的に生成する構造化モデルを設計する。
論文 参考訳（メタデータ） (2021-03-31T19:51:25Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳（メタデータ） (2020-12-22T21:58:57Z) - Hierarchical Recurrent Attention Networks for Structured Online Maps [91.28820076955128]
疎い3次元点雲からのオンライン道路網抽出の問題に対処する。
この手法はannotatorがレーングラフを構築する方法に触発され、まず何レーンあるかを特定し、順番に各レーンを描画する。
我々は,レーン境界の初期領域に順応する階層的リカレントネットワークを開発し,構造化ポリラインを出力することにより,それらを完全にトレースする。
論文 参考訳（メタデータ） (2020-12-22T19:35:53Z)
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。