論文の概要: Hierarchical Recurrent Attention Networks for Structured Online Maps
- arxiv url: http://arxiv.org/abs/2012.12314v1
- Date: Tue, 22 Dec 2020 19:35:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:28:25.346168
- Title: Hierarchical Recurrent Attention Networks for Structured Online Maps
- Title（参考訳）: 構造化オンラインマップのための階層的再帰注意ネットワーク
- Authors: Namdar Homayounfar, Wei-Chiu Ma, Shrinidhi Kowshika Lakshmikanth,
Raquel Urtasun
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 91.28820076955128
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we tackle the problem of online road network extraction from
sparse 3D point clouds. Our method is inspired by how an annotator builds a
lane graph, by first identifying how many lanes there are and then drawing each
one in turn. We develop a hierarchical recurrent network that attends to
initial regions of a lane boundary and traces them out completely by outputting
a structured polyline. We also propose a novel differentiable loss function
that measures the deviation of the edges of the ground truth polylines and
their predictions. This is more suitable than distances on vertices, as there
exists many ways to draw equivalent polylines. We demonstrate the effectiveness
of our method on a 90 km stretch of highway, and show that we can recover the
right topology 92\% of the time.
- Abstract（参考訳）: 本稿では,スパース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。
我々の手法は、アノテータがレーングラフをどのように構築するかにインスパイアされ、まずレーンの数を特定し、それぞれを順番に描画する。
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。
また,基底真理ポリラインの辺の偏差を測定する新しい微分可能損失関数とその予測法を提案する。
これは頂点上の距離よりも適しており、同値なポリラインを描く多くの方法が存在する。
本手法は90kmの高架道路において有効性を示すとともに, 92\%の適切なトポロジーを回復できることを示す。
関連論文リスト
- Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
曲線に基づく車線表現は多くの車線検出法で一般的な手法である。
本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-19T11:24:14Z) - Patched Line Segment Learning for Vector Road Mapping [34.16241268436923]
我々は,幾何的重要性を持つ道路グラフに対して,よく定義されたパッチラインセグメンテーション表現を構築した。
提案手法は,6時間のGPUトレーニングで最先端の性能を達成し,トレーニングコストを32倍に削減する。
論文 参考訳（メタデータ） (2023-09-06T11:33:25Z) - 3D Line Mapping Revisited [86.13455066577657]
LIMAPは、3Dラインマッピングのためのライブラリで、多視点画像から3Dラインマップを堅牢かつ効率的に作成する。
私たちのコードは、既存のポイントベースのStructure-from-Motionメソッドとシームレスに統合されます。
私たちの堅牢な3Dラインマップは、新たな研究方向も開きます。
論文 参考訳（メタデータ） (2023-03-30T16:14:48Z) - RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
本稿では,リレーチェーン予測に基づく車線検出手法を提案する。
当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
論文 参考訳（メタデータ） (2022-07-19T16:48:39Z) - CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional
Convolution [39.62595444015094]
トップツーダウンのレーン検出フレームワークであるCondLaneNetを提案する。
また,条件付き畳み込みと行毎の定式化に基づく条件付きレーン検出戦略を提案する。
3つのベンチマークデータセットで最新のパフォーマンスを実現します。
論文 参考訳（メタデータ） (2021-05-11T13:10:34Z) - 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) - 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)
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。