論文の概要: Updating Street Maps using Changes Detected in Satellite Imagery
- arxiv url: http://arxiv.org/abs/2110.06456v1
- Date: Wed, 13 Oct 2021 02:50:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 02:53:38.580775
- Title: Updating Street Maps using Changes Detected in Satellite Imagery
- Title（参考訳）: 衛星画像における変化検出による道路地図の更新
- Authors: Favyen Bastani, Songtao He, Satvat Jagwani, Mohammad Alizadeh, Hari
Balakrishnan, Sanjay Chawla, Sam Madden, Mohammad Amin Sadeghi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 28.25061267734934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately maintaining digital street maps is labor-intensive. To address
this challenge, much work has studied automatically processing geospatial data
sources such as GPS trajectories and satellite images to reduce the cost of
maintaining digital maps. An end-to-end map update system would first process
geospatial data sources to extract insights, and second leverage those insights
to update and improve the map. However, prior work largely focuses on the first
step of this pipeline: these map extraction methods infer road networks from
scratch given geospatial data sources (in effect creating entirely new maps),
but do not address the second step of leveraging this extracted information to
update the existing digital map data. In this paper, we first explain why
current map extraction techniques yield low accuracy when extended to update
existing maps. We then propose a novel method that leverages the progression of
satellite imagery over time to substantially improve accuracy. Our approach
first compares satellite images captured at different times to identify
portions of the physical road network that have visibly changed, and then
updates the existing map accordingly. We show that our change-based approach
reduces map update error rates four-fold.
- Abstract（参考訳）: 正確なデジタル街路地図の維持は労働集約的だ。
この課題に対処するため、GPSや衛星画像などの地理空間データを自動的に処理し、デジタル地図の維持コストを削減した。
エンドツーエンドのマップ更新システムは、まず地理空間データソースを処理して洞察を抽出し、次にこれらの洞察を活用してマップを更新および改善する。
これらのマップ抽出手法は,地空間データソースのスクラッチから道路ネットワークを推定する(実質的に全く新しい地図を作成する)が,この抽出した情報を活用して既存のデジタル地図データを更新する2番目のステップには対処しない。
本稿では,既存の地図を更新する際に,現在の地図抽出技術が低精度である理由を最初に説明する。
次に,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。
提案手法は、まず異なる時刻に撮影した衛星画像を比較し、視覚的に変化した物理道路網の一部を特定し、既存の地図を更新する。
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。
関連論文リスト
- TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳（メタデータ） (2024-11-22T06:13:42Z) - 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) - ExelMap: Explainable Element-based HD-Map Change Detection and Update [2.79552147676281]
本稿では,要素をベースとしたHDマップ変更検出と更新を行う新しいタスクを提案する。
ExelMapは、変更したマップ要素を具体的に識別する、説明可能な要素ベースのマップ更新戦略である。
これは、実世界のエンド・ツー・エンドの要素ベースのHDマップ変更の検出と更新に関する、初めての総合的な問題調査である。
論文 参考訳（メタデータ） (2024-09-16T11:17:33Z) - ML Updates for OpenStreetMap: Analysis of Research Gaps and Future Directions [0.0]
正確な最新の地図を維持することは、あらゆる動的な都市景観において重要である。
従来の(主に手動の)マップ生産とクラウドソースのマッピング手法は、構築された環境の急速な変化とペースを維持するのに依然として苦労している。
GoogleやMicrosoftのようなテクノロジーの巨人は、この現代のマッピング問題に対処するための機械学習(ML)技術の調査をすでに始まっている。
論文 参考訳（メタデータ） (2024-06-28T23:51:04Z) - Augmenting Lane Perception and Topology Understanding with Standard
Definition Navigation Maps [51.24861159115138]
Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。
本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。
この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
論文 参考訳（メタデータ） (2023-11-07T15:42:22Z) - Prior Based Online Lane Graph Extraction from Single Onboard Camera
Image [133.68032636906133]
単眼カメラ画像からレーングラフをオンラインに推定する。
前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。
オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
論文 参考訳（メタデータ） (2023-07-25T08:58:26Z) - Neural Map Prior for Autonomous Driving [17.198729798817094]
高精細(HD)セマンティックマップは、自動運転車が都市環境をナビゲートするために不可欠である。
オフラインのHDマップを作成する従来の方法には、労働集約的な手動アノテーションプロセスが含まれる。
近年,オンラインセンサを用いた局所地図作成手法が提案されている。
本研究では,グローバルマップのニューラル表現であるニューラルマッププライオリティ(NMP)を提案する。
論文 参考訳（メタデータ） (2023-04-17T17:58:40Z) - Long-term Visual Map Sparsification with Heterogeneous GNN [47.12309045366042]
本稿では,環境変化を克服し,将来のローカライゼーションに有用な点を選択することで,地図サイズを同時に削減することを目的とする。
グラフニューラルネットワーク(GNN)の最近の進歩に触発されて,SfMマップを異種グラフとしてモデル化し,GNNを用いて3次元点重要度を推定する最初の研究を提案する。
2つの新しい監督手法が提案されている: 1) トレーニングクエリに基づく将来のローカライゼーションに有用なポイントを選択するためのデータ適合用語、2) スパースポイントをフルマップで選択するためのK-Cover用語。
論文 参考訳（メタデータ） (2022-03-29T01:46:12Z) - Beyond Road Extraction: A Dataset for Map Update using Aerial Images [3.993449663756883]
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。
論文 参考訳（メタデータ） (2021-10-10T03:05:42Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - Automatic extraction of road intersection points from USGS historical
map series using deep convolutional neural networks [0.0]
道路交差点のデータは、異なる地理空間的応用と分析に利用されてきた。
我々は、ディープ畳み込みニューラルネットワークを領域ベースCNNと呼ばれるオブジェクト検出タスクに使用する標準パラダイムを採用した。
また、従来のコンピュータビジョンアルゴリズムと比較して、RCNNはより正確な抽出を提供する。
論文 参考訳（メタデータ） (2020-07-14T23:51:15Z)
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。