論文の概要: Beyond Road Extraction: A Dataset for Map Update using Aerial Images
- arxiv url: http://arxiv.org/abs/2110.04690v1
- Date: Sun, 10 Oct 2021 03:05:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-16 18:12:15.538909
- Title: Beyond Road Extraction: A Dataset for Map Update using Aerial Images
- Title(参考訳): beyond road extraction: 航空画像を用いた地図更新のためのデータセット
- Authors: Favyen Bastani, Sam Madden
- Abstract要約: 地図更新タスクのためのMUNO21と呼ばれる新しいデータセットを開発した。
MUNO21上での最先端道路抽出手法について検討した。
- 参考スコア(独自算出の注目度): 3.993449663756883
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing availability of satellite and aerial imagery has sparked
substantial interest in automatically updating street maps by processing aerial
images. Until now, the community has largely focused on road extraction, where
road networks are inferred from scratch from an aerial image. However, given
that relatively high-quality maps exist in most parts of the world, in
practice, inference approaches must be applied to update existing maps rather
than infer new ones. With recent road extraction methods showing high accuracy,
we argue that it is time to transition to the more practical map update task,
where an existing map is updated by adding, removing, and shifting roads,
without introducing errors in parts of the existing map that remain up-to-date.
In this paper, we develop a new dataset called MUNO21 for the map update task,
and show that it poses several new and interesting research challenges. We
evaluate several state-of-the-art road extraction methods on MUNO21, and find
that substantial further improvements in accuracy will be needed to realize
automatic map update.
- Abstract(参考訳): 衛星画像と空中画像の入手が増加し、航空画像の処理による道路地図の自動更新に大きな関心が寄せられている。
これまでコミュニティは、道路ネットワークが空中画像からスクラッチから推測される道路抽出に重点を置いてきた。
しかし、世界のほとんどの地域で比較的高品質な地図が存在することを考えると、新しい地図を推測するのではなく、既存の地図を更新するために推論手法を適用する必要がある。
近年の道路抽出手法が精度が高くなっているため,既存の地図を更新・削除・シフトすることで,最新の地図の一部に誤りを生じさせることなく,既存の地図を更新する,より実用的な地図更新タスクへの移行を議論する。
本稿では,マップ更新タスク用にmuno21と呼ばれる新しいデータセットを開発し,いくつかの新しい興味深い研究課題を提起する。
我々はMUNO21上での最先端道路抽出手法の評価を行い,自動地図更新を実現するためには,精度の大幅な向上が必要であることを見出した。
関連論文リスト
- MapNeXt: Revisiting Training and Scaling Practices for Online Vectorized
HD Map Construction [0.0]
本稿では,次世代のHDマップ学習アーキテクチャであるMapNeXtを提案する。
MapNeXt-Hugeは、挑戦的なnuScenesベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-01-14T16:14:36Z) - Building Lane-Level Maps from Aerial Images [9.185929396989083]
レーン検出のために構築された大規模空中画像データセットを初めて紹介する。
我々はAerialLaneNetと呼ばれる空中画像からベースライン深層学習車線検出手法を開発した。
提案手法は,新たなデータセットの最先端手法と比較して,大幅な改善を実現している。
論文 参考訳(メタデータ) (2023-12-20T21:58:45Z) - SNAP: Self-Supervised Neural Maps for Visual Positioning and Semantic
Understanding [57.108301842535894]
我々は、地上と頭上の画像からリッチなニューラル2Dマップを学習するディープネットワークSNAPを紹介する。
我々は、異なる入力から推定されるニューラルマップの整列をトレーニングし、何千万ものストリートビュー画像のカメラポーズでのみ監視する。
SNAPは、従来の手法の範囲を超えて、挑戦的な画像クエリの場所を解決できる。
論文 参考訳(メタデータ) (2023-06-08T17:54:47Z) - Pix2Map: Cross-modal Retrieval for Inferring Street Maps from Images [42.05213970259352]
本稿では,エゴビュー画像から直接都市街路地図トポロジを推定するPix2Mapを紹介する。
この問題は、画像や既存の地図のジョイント、クロスモーダルな埋め込み空間を学習することで、クロスモーダル検索として表すことができる。
検索した地図は既存の地図を更新または拡張したり、概念実証結果を示すためにも利用できることを示す。
論文 参考訳(メタデータ) (2023-01-10T22:05:35Z) - csBoundary: City-scale Road-boundary Detection in Aerial Images for
High-definition Maps [10.082536828708779]
都市規模での道路境界の自動検出のためのcsBoundaryを提案する。
筆者らのネットワークは航空画像パッチを入力として,この画像から直接連続的な道路境界グラフを推定する。
私たちのcsBoundaryは、公開ベンチマークデータセットで評価され、比較されます。
論文 参考訳(メタデータ) (2021-11-11T02:04:36Z) - Updating Street Maps using Changes Detected in Satellite Imagery [28.25061267734934]
本稿では,衛星画像の進行を経時的に反映し,精度を大幅に向上させる手法を提案する。
我々のアプローチはまず、異なるタイミングで撮影した衛星画像を比較して、視覚的に変化した物理的道路網の一部を特定する。
変更に基づくアプローチは,マップ更新エラー率を4倍に削減することを示す。
論文 参考訳(メタデータ) (2021-10-13T02:50:26Z) - HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。
実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。
高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
論文 参考訳(メタデータ) (2021-06-28T17:59:30Z) - MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。
提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
論文 参考訳(メタデータ) (2021-01-18T00:09:30Z) - 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) - Deploying machine learning to assist digital humanitarians: making image
annotation in OpenStreetMap more efficient [72.44260113860061]
本稿では,OpenStreetMapにおけるボランティアの作業を支援し,最適化するためのインタラクティブな手法を提案する。
提案手法は,OSMのボランティアが検証・修正するために必要なデータ量を大幅に削減する。
論文 参考訳(メタデータ) (2020-09-17T10:05:30Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳(メタデータ) (2020-06-09T12:35:55Z)
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。