論文の概要: Learning to integrate vision data into road network data

• arxiv url: http://arxiv.org/abs/2112.10624v1
• Date: Mon, 20 Dec 2021 15:38:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 20:56:28.788396
• Title: Learning to integrate vision data into road network data
• Title（参考訳）: 道路ネットワークデータに視覚データを統合する学習
• Authors: Oliver Stromann, Alireza Razavi and Michael Felsberg
• Abstract要約: 道路ネットワークは、コネクテッドおよび自律走行車の中核となるインフラである。 本稿では、グラフニューラルネットワークによる埋め込みを改善するために、リモートセンシングビジョンデータをネットワークデータに統合することを提案する。 中国・成都市におけるOSM+Di Chuxingデータセットの最先端性能を実現した。
• 参考スコア（独自算出の注目度）: 14.86655504533083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Road networks are the core infrastructure for connected and autonomous vehicles, but creating meaningful representations for machine learning applications is a challenging task. In this work, we propose to integrate remote sensing vision data into road network data for improved embeddings with graph neural networks. We present a segmentation of road edges based on spatio-temporal road and traffic characteristics, which allows to enrich the attribute set of road networks with visual features of satellite imagery and digital surface models. We show that both, the segmentation and the integration of vision data can increase performance on a road type classification task, and we achieve state-of-the-art performance on the OSM+DiDi Chuxing dataset on Chengdu, China.
• Abstract（参考訳）: 道路ネットワークは、コネクテッドカーと自動運転車のコアインフラストラクチャだが、機械学習アプリケーションに意味のある表現を作ることは難しい課題だ。 本研究では,道路ネットワークデータにリモートセンシングビジョンデータを統合し,グラフニューラルネットワークによる埋め込みを改善することを提案する。 本研究では、時空間道路と交通特性に基づく道路エッジのセグメンテーションを行い、衛星画像とデジタル表面モデルの視覚的特徴を持つ道路ネットワークの属性集合を充実させる。 中国成都のOSM+DiDi Chuxingデータセット上で,道路型分類タスクにおけるセグメント化と視覚データの統合が両立し,最先端のパフォーマンスが達成できることを示す。

関連論文リスト

• Brightearth roads: Towards fully automatic road network extraction from satellite imagery [2.446672595462589]
  衛星画像から道路網を抽出する完全自動パイプラインを提案する。 提案手法は, シームレスに接続し, 正確な位置決めを行う道路線路ストリングを直接生成する。
  論文  参考訳（メタデータ） (2024-06-21T07:55:15Z)
• Semantic-Enhanced Representation Learning for Road Networks with Temporal Dynamics [33.940044533340235]
  道路網の汎用表現を学習するためのToastという新しいフレームワークと、その先進的なDyToastを紹介する。 具体的には,交通パターンと走行意味論という,道路ネットワークに固有の2つの重要な意味的特徴を符号化することを提案する。 提案するフレームワークは,最先端のベースラインを大きなマージンで一貫して上回っている。
  論文  参考訳（メタデータ） (2024-03-18T05:59:56Z)
• Fine-Grained Extraction of Road Networks via Joint Learning of Connectivity and Segmentation [5.496893845821393]
  衛星画像からの道路網抽出は、インテリジェントな交通管理と自動運転分野に広く応用されている。 高解像度のリモートセンシング画像は複雑な道路エリアと背景を逸脱させており,道路抽出の課題となっている。 接続の正しさを保ちながら、エンドツーエンドのセグメンテーション道路のためのスタック型マルチタスクネットワークを提案する。
  論文  参考訳（メタデータ） (2023-12-07T22:57:17Z)
• MGL2Rank: Learning to Rank the Importance of Nodes in Road Networks Based on Multi-Graph Fusion [7.835154677901744]
  既存の交通ネットワークにおけるノードの重要性を評価する方法は、位相情報と交通量のみを考慮する。 本稿では,ノードの重要性をランク付けするために,道路網の豊富な特徴を統合するグラフ学習ベースのフレームワーク(MGL2Rank)を提案する。
  論文  参考訳（メタデータ） (2023-05-20T13:46:44Z)
• RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
  本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。 実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-07-16T12:40:17Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Visual Feature Encoding for GNNs on Road Networks [14.274582421372308]
  視覚バックボーンネットワークとグラフニューラルネットワークを組み合わせたアーキテクチャを提案する。 衛星画像の符号化により,オープンストリートマップ道路網上で道路型分類タスクを行う。 アーキテクチャによりさらに微調整が可能となり,事前学習により伝達学習のアプローチが評価される。
  論文  参考訳（メタデータ） (2022-03-02T15:37:50Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Self-supervised Object Tracking with Cycle-consistent Siamese Networks [55.040249900677225]
  我々は、オブジェクト追跡のためのサイクル一貫性の自己監視フレームワークにおいて、エンドツーエンドのSiameseネットワークを利用する。 トラッキングフレームワークにシームズ領域の提案とマスク回帰ネットワークを統合することで,各フレームのアノテーションを使わずに,より高速で正確なトラッカーを学習できるようにすることを提案する。
  論文  参考訳（メタデータ） (2020-08-03T04:10:38Z)
• VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
  本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。 ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。 我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
  論文  参考訳（メタデータ） (2020-05-08T19:07:03Z)

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。