論文の概要: SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and Interaction Space Graph Reasoning for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2109.07701v1
• Date: Thu, 16 Sep 2021 03:52:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-18 03:58:29.797024
• Title: SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and Interaction Space Graph Reasoning for Autonomous Driving
• Title（参考訳）: SPINロードマッパー:自律走行のための空間空間グラフ推論による航空画像からの道路抽出
• Authors: Wele Gedara Chaminda Bandara, Jeya Maria Jose Valanarasu, Vishal M. Patel
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.10636296274168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Road extraction is an essential step in building autonomous navigation systems. Detecting road segments is challenging as they are of varying widths, bifurcated throughout the image, and are often occluded by terrain, cloud, or other weather conditions. Using just convolution neural networks (ConvNets) for this problem is not effective as it is inefficient at capturing distant dependencies between road segments in the image which is essential to extract road connectivity. To this end, we propose a Spatial and Interaction Space Graph Reasoning (SPIN) module which when plugged into a ConvNet performs reasoning over graphs constructed on spatial and interaction spaces projected from the feature maps. Reasoning over spatial space extracts dependencies between different spatial regions and other contextual information. Reasoning over a projected interaction space helps in appropriate delineation of roads from other topographies present in the image. Thus, SPIN extracts long-range dependencies between road segments and effectively delineates roads from other semantics. We also introduce a SPIN pyramid which performs SPIN graph reasoning across multiple scales to extract multi-scale features. We propose a network based on stacked hourglass modules and SPIN pyramid for road segmentation which achieves better performance compared to existing methods. Moreover, our method is computationally efficient and significantly boosts the convergence speed during training, making it feasible for applying on large-scale high-resolution aerial images. Code available at: https://github.com/wgcban/SPIN_RoadMapper.git.
• Abstract（参考訳）: 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。 道路セグメントの検出は、様々な幅があり、画像全体を通して分岐し、地形、雲、その他の気象条件によって遮蔽されることが多いため、困難である。 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、道路接続の抽出に不可欠である画像中の道路セグメント間の遠い依存関係を捉えるのが効率的ではないため、効果がない。 この目的のために,ConvNetにプラグインされた時,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に対して推論を行う空間空間空間グラフ推論(SPIN)モジュールを提案する。 空間空間上の推論は、異なる空間領域と他の文脈情報の間の依存関係を抽出する。 投影された相互作用空間上の推論は、画像に存在する他の地形から道路を適切に切り離すのに役立つ。 したがって、spinは道路セグメント間の長距離依存性を抽出し、他の意味論から効果的に道路を区切る。 また、複数スケールにわたるSPINグラフ推論を行い、マルチスケールの特徴を抽出するSPINピラミッドも導入する。 本研究では,既存手法と比較して性能が向上する道路分割のための時間ガラスモジュールとSPINピラミッドに基づくネットワークを提案する。 また,提案手法は計算効率が高く,訓練中の収束速度が著しく向上し,大規模高分解能空中画像に適用が容易である。 https://github.com/wgcban/SPIN_RoadMapper.git.comで公開されている。

関連論文リスト

• 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)
• 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)
• Detection-segmentation convolutional neural network for autonomous vehicle perception [0.0]
  物体検出とセグメンテーションは、自動運転車の認識システムの2つの中核モジュールである。 現在最もよく使われているアルゴリズムはディープニューラルネットワークに基づいており、高い効率性を保証するが、高性能なコンピューティングプラットフォームを必要とする。 ネットワークの複雑さの低減は、適切なアーキテクチャ、表現、コンピューティングプラットフォームを使用することで達成できる。
  論文  参考訳（メタデータ） (2023-06-30T08:54:52Z)
• 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)
• MultiScale Probability Map guided Index Pooling with Attention-based learning for Road and Building Segmentation [18.838213902873616]
  MSSDMPA-Net(Multi-Scale Supervised Dilated Multiple-Path Attention Network)を提案する。 MSSDMPA-NetはDAMIP(Dynamic Attention Map Guided Index Pooling)とDAMSCA(Dynamic Attention Map Guided Spatial and Channel Attention)という2つの新しいモジュールを備えている。
  論文  参考訳（メタデータ） (2023-02-18T19:57:25Z)
• Multi-scale Interaction for Real-time LiDAR Data Segmentation on an Embedded Platform [62.91011959772665]
  LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。 ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。 本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-08-20T19:06:11Z)
• Learning Lane Graph Representations for Motion Forecasting [92.88572392790623]
  生の地図データからレーングラフを構築し,地図構造を保存する。 我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。 提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-27T17:59:49Z)
• 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)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)
• RoadTagger: Robust Road Attribute Inference with Graph Neural Networks [26.914950002847863]
  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。
  論文  参考訳（メタデータ） (2019-12-28T06:09:13Z)

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。