論文の概要: RNGDet: Road Network Graph Detection by Transformer in Aerial Images

• arxiv url: http://arxiv.org/abs/2202.07824v1
• Date: Wed, 16 Feb 2022 01:59:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-17 15:16:38.817117
• Title: RNGDet: Road Network Graph Detection by Transformer in Aerial Images
• Title（参考訳）: RNGDet:空中画像のトランスによる道路網グラフ検出
• Authors: Zhenhua Xu, Yuxuan Liu, Lu Gan, Yuxiang Sun, Ming Liu and Lujia Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.141279413414082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road network graphs provide critical information for autonomous vehicle applications, such as motion planning on drivable areas. However, manually annotating road network graphs is inefficient and labor-intensive. Automatically detecting road network graphs could alleviate this issue, but existing works are either segmentation-based approaches that could not ensure satisfactory topology correctness, or graph-based approaches that could not present precise enough detection results. To provide a solution to these problems, we propose a novel approach based on transformer and imitation learning named RNGDet (\underline{R}oad \underline{N}etwork \underline{G}raph \underline{Det}ection by Transformer) in this paper. In view of that high-resolution aerial images could be easily accessed all over the world nowadays, we make use of aerial images in our approach. Taken as input an aerial image, our approach iteratively generates road network graphs vertex-by-vertex. Our approach can handle complicated intersection points of various numbers of road segments. We evaluate our approach on a publicly available dataset. The superiority of our approach is demonstrated through the comparative experiments.
• Abstract（参考訳）: 道路ネットワークグラフは、ドライビング可能なエリアでの運動計画のような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。 しかし、手動でアノテートする道路網グラフは非効率的で労働集約的である。 道路ネットワークグラフの自動検出はこの問題を軽減する可能性があるが、既存の研究は、満足なトポロジの正しさを保証できないセグメンテーションベースのアプローチ、あるいは十分な正確な検出結果を提示できないグラフベースのアプローチのいずれかである。 この問題を解決するために,本論文では,rngdet (\underline{r}oad \underline{n}etwork \underline{g}raph \underline{det}ection by transformer) という,トランスフォーマと模倣学習に基づく新しいアプローチを提案する。 近年,高分解能空中画像が世界中に簡単にアクセス可能であることを踏まえ,我々のアプローチで空中画像を利用する。 航空画像の入力として,道路網グラフを頂点単位で反復的に生成する手法を提案する。 提案手法は様々な道路セグメントの複雑な交差点を扱うことができる。 公開データセットに対する我々のアプローチを評価する。 比較実験により,我々のアプローチの優位性を実証した。

関連論文リスト

• Learning Lane Graphs from Aerial Imagery Using Transformers [7.718401895021425]
  この研究は、航空画像から後継車線グラフを生成する新しいアプローチを導入している。 後継レーングラフを最大長経路の集合としてフレーム化し,検出変換器(DETR)アーキテクチャを用いてそれらを予測する。 本手法の有効性を多種多様な大規模UrbanLaneGraphデータセットの広範な実験により実証する。
  論文  参考訳（メタデータ） (2024-07-08T07:42:32Z)
• 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)
• 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)
• 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)
• Self-Supervised Road Layout Parsing with Graph Auto-Encoding [5.45914480139453]
  本稿では,鳥の視線における道路マップを入力とし,道路のトポロジ的レイアウトを表す人間解釈可能なグラフを予測するニューラルネットワークアプローチを提案する。 提案手法は,画素レベルからグラフレベルへの道路レイアウトの理解を高める。
  論文  参考訳（メタデータ） (2022-03-21T14:14:26Z)
• Road Extraction from Overhead Images with Graph Neural Networks [18.649284163019516]
  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。
  論文  参考訳（メタデータ） (2021-12-09T21:10:27Z)
• 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)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
  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。
  論文  参考訳（メタデータ） (2021-09-16T03:52:17Z)
• Graph Representation Learning for Road Type Classification [13.227651826285014]
  本稿では,最先端のグラフ畳み込みニューラルネットワークを用いた道路網のグラフ表現に対する学習に基づくアプローチを提案する。 われわれのアプローチは、オープンストリートマップから17都市の現実的な道路網に適用されている。
  論文  参考訳（メタデータ） (2021-07-16T09:32:58Z)
• Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
  我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。 我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。 北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
  論文  参考訳（メタデータ） (2020-12-21T18:59:12Z)

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。