論文の概要: Road Extraction from Overhead Images with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2112.05215v1
• Date: Thu, 9 Dec 2021 21:10:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 02:55:47.000045
• Title: Road Extraction from Overhead Images with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた頭上画像からの道路抽出
• Authors: Gaetan Bahl, Mehdi Bahri, Florent Lafarge
• Abstract要約: 本稿では,最終道路グラフを1パスで直接推測する手法を提案する。 鍵となるアイデアは、関心点の特定を担当する完全な畳み込みネットワークと、これらのポイント間のリンクを予測するグラフニューラルネットワークを組み合わせることである。 我々は,一般的なRoadTracerデータセット上の既存の作業に対して評価を行い,競合する結果を得た。
• 参考スコア（独自算出の注目度）: 18.649284163019516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic road graph extraction from aerial and satellite images is a long-standing challenge. Existing algorithms are either based on pixel-level segmentation followed by vectorization, or on iterative graph construction using next move prediction. Both of these strategies suffer from severe drawbacks, in particular high computing resources and incomplete outputs. By contrast, we propose a method that directly infers the final road graph in a single pass. The key idea consists in combining a Fully Convolutional Network in charge of locating points of interest such as intersections, dead ends and turns, and a Graph Neural Network which predicts links between these points. Such a strategy is more efficient than iterative methods and allows us to streamline the training process by removing the need for generation of starting locations while keeping the training end-to-end. We evaluate our method against existing works on the popular RoadTracer dataset and achieve competitive results. We also benchmark the speed of our method and show that it outperforms existing approaches. This opens the possibility of in-flight processing on embedded devices.
• Abstract（参考訳）: 航空・衛星画像からの道路グラフの自動抽出は長年の課題である。 既存のアルゴリズムはピクセルレベルのセグメンテーションとベクトル化、あるいは次の移動予測を用いた反復グラフ構築に基づいている。 これら2つの戦略は厳しい欠点、特に高い計算資源と不完全なアウトプットに苦しむ。 対照的に,1つのパスで最終道路グラフを直接推測する手法を提案する。 鍵となるアイデアは、交差点、デッドエンド、ターンなどの関心点の特定を担当する完全畳み込みネットワークと、これらのポイント間のリンクを予測するグラフニューラルネットワークを組み合わせることである。 このような戦略は反復的な手法よりも効率的であり、トレーニングをエンドツーエンドに保ちながら開始位置の生成を不要にすることで、トレーニングプロセスの合理化を可能にします。 我々は,一般的なRoadTracerデータセット上の既存の作業に対して評価を行い,競合する結果を得た。 また,提案手法の速度をベンチマークし,既存の手法よりも優れていることを示す。 これにより、組み込みデバイス上での飛行中の処理が可能となる。

関連論文リスト

• EggNet: An Evolving Graph-based Graph Attention Network for Particle Track Reconstruction [0.0]
  我々は,一組のヒットから粒子トラックを直接再構成するワンショットOCアプローチを検討する。 このアプローチは、グラフを反復的に更新し、各グラフを横断するメッセージをより容易にする。 TrackMLデータセットに関する予備研究は、固定された入力グラフを必要とする方法と比較して、トラック性能が向上したことを示している。
  論文  参考訳（メタデータ） (2024-07-18T22:29:24Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• 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)
• Online Lane Graph Extraction from Onboard Video [133.68032636906133]
  オンボードカメラからの映像ストリームを、周囲のレーングラフのオンライン抽出に使用しています。 入力が1つの画像ではなくビデオを使うことは、異なるタイムステップからの情報を組み合わせることのメリットと課題の両方をもたらす。 提案手法の1つのモデルでは、1つを含む任意の数の画像を処理し、正確なレーングラフを生成することができる。
  論文  参考訳（メタデータ） (2023-04-03T12:36:39Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• PaRK-Detect: Towards Efficient Multi-Task Satellite Imagery Road Extraction via Patch-Wise Keypoints Detection [12.145321599949236]
  我々は、マルチタスク衛星画像道路抽出のための新しい手法、パッチワイド道路キーポイント検出(PaRK-Detect)を提案する。 筆者らのフレームワークは,パッチワイド道路キーポイントの位置と,それら間の近接関係を予測し,道路グラフを単一パスで構築する。 我々は,DeepGlobe, Massachusetts Roads, RoadTracerの既存の最先端手法に対するアプローチを評価し,競争力やより良い結果を得る。
  論文  参考訳（メタデータ） (2023-02-26T08:26:26Z)
• Learning Graph Search Heuristics [48.83557172525969]
  本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。 我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。 実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
  論文  参考訳（メタデータ） (2022-12-07T22:28:00Z)
• RNGDet++: Road Network Graph Detection by Transformer with Instance Segmentation and Multi-scale Features Enhancement [19.263691277963368]
  道路網のグラフ構造は、グローバルな計画、動き予測、制御など、自律運転システムの下流業務に不可欠である。 これまでは、道路ネットワークグラフは人の専門家によって手動で注釈付けされていた。 前者は、プロセス後セマンティックセグメンテーションマップや、ロードネットワークグラフを直接予測するグラフベースのアルゴリズムを提案している。 それまでの作業は、ハードコードされた処理アルゴリズムと劣った最終性能に悩まされていた。 提案されたアプローチはRNGDetから改善されているため、RNGDet++と呼ばれている。
  論文  参考訳（メタデータ） (2022-09-21T07:06:46Z)
• RNGDet: Road Network Graph Detection by Transformer in Aerial Images [19.141279413414082]
  道路ネットワークグラフは、自動運転車アプリケーションにとって重要な情報を提供する。 手動でアノテートする道路ネットワークグラフは非効率で労働集約的です。 RNGDetという変圧器と模倣学習に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-16T01:59:41Z)
• Very Deep Graph Neural Networks Via Noise Regularisation [57.450532911995516]
  グラフニューラルネットワーク(GNN)は、入力グラフを介して学習されたメッセージパッシングを実行する。 最大100のメッセージパッシングステップを持つディープGNNをトレーニングし、いくつかの最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-15T08:50:10Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)

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。