論文の概要: MapTR: Structured Modeling and Learning for Online Vectorized HD Map
Construction
- arxiv url: http://arxiv.org/abs/2208.14437v1
- Date: Tue, 30 Aug 2022 17:55:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 13:33:30.269117
- Title: MapTR: Structured Modeling and Learning for Online Vectorized HD Map
Construction
- Title(参考訳): MapTR:オンラインベクトル化HDマップ構築のための構造化モデリングと学習
- Authors: Bencheng Liao, Shaoyu Chen, Xinggang Wang, Tianheng Cheng, Qian Zhang,
Wenyu Liu, Chang Huang
- Abstract要約: MapTRは、効率的なオンラインベクトル化HDマップ構築のための構造化エンドツーエンドフレームワークである。
MapTRは既存のベクトル化マップ構築手法の中で最高の性能と効率を達成する。
- 参考スコア(独自算出の注目度): 33.30177029735497
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present MapTR, a structured end-to-end framework for efficient online
vectorized HD map construction. We propose a unified permutation-based modeling
approach, i.e., modeling map element as a point set with a group of equivalent
permutations, which avoids the definition ambiguity of map element and eases
learning. We adopt a hierarchical query embedding scheme to flexibly encode
structured map information and perform hierarchical bipartite matching for map
element learning. MapTR achieves the best performance and efficiency among
existing vectorized map construction approaches on nuScenes dataset. In
particular, MapTR-nano runs at real-time inference speed ($25.1$ FPS) on RTX
3090, $8\times$ faster than the existing state-of-the-art camera-based method
while achieving $3.3$ higher mAP. MapTR-tiny significantly outperforms the
existing state-of-the-art multi-modality method by $13.5$ mAP while being
faster. Qualitative results show that MapTR maintains stable and robust map
construction quality in complex and various driving scenes. Abundant demos are
available at \url{https://github.com/hustvl/MapTR} to prove the effectiveness
in real-world scenarios. MapTR is of great application value in autonomous
driving. Code will be released for facilitating further research and
application.
- Abstract(参考訳): オンラインベクトル化hdマップ構築のための構造化されたエンドツーエンドフレームワークであるmaptrを提案する。
本研究では,マップ要素の定義の曖昧さを回避し,学習を容易にするため,マップ要素を等価な置換群で設定した点としてモデル化する。
構造化地図情報を柔軟にエンコードし,マップ要素学習のための階層的2部マッチングを行う階層的問合せ埋め込み方式を採用する。
MapTRは、nuScenesデータセット上の既存のベクトル化マップ構築アプローチの中で、最高のパフォーマンスと効率を達成する。
特に、maptr-nanoはrtx 3090でリアルタイム推論速度(25.1$ fps)で動作し、既存の最先端カメラベースの方法よりも8\times$が速い。
MapTR-tinyは、既存の最先端のマルチモダリティメソッドよりも13.5$mAP高速である。
定性的な結果から,MapTRは複雑かつ多様な運転シーンにおいて,安定かつ堅牢なマップ構築品質を維持していることがわかった。
実世界のシナリオでの有効性を証明するためのデモは \url{https://github.com/hustvl/MapTR} で公開されている。
MapTRは自動運転において非常に大きな価値があります。
さらなる研究とアプリケーションを容易にするため、コードはリリースされる予定だ。
関連論文リスト
- ADMap: Anti-disturbance framework for reconstructing online vectorized
HD map [9.218463154577616]
本稿では, 反ゆらぎマップ再構築フレームワーク (ADMap) を提案する。
点次ジッタを緩和するため、このフレームワークは、マルチスケール知覚ネック、インスタンスインタラクティブアテンション(IIA)、ベクトル方向差損失(VDDL)の3つのモジュールで構成されている。
論文 参考訳(メタデータ) (2024-01-24T01:37:27Z) - 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) - ScalableMap: Scalable Map Learning for Online Long-Range Vectorized HD
Map Construction [42.874195888422584]
オンライン長範囲ベクトル化ハイデフィニション(HD)マップ構築のための,オンボードカメラセンサを用いた新しいエンドツーエンドパイプラインを提案する。
地図要素の特性を利用して地図構築の性能を向上させる。
論文 参考訳(メタデータ) (2023-10-20T09:46:24Z) - MapTRv2: An End-to-End Framework for Online Vectorized HD Map
Construction [32.74879918300096]
High-definition (HD) マップは、運転シーンの豊富な正確な静的環境情報を提供する。
オンラインベクトル化HDマップ構築のためのエンドツーエンドフレームワークである textbfMap textbfTRansformer を提案する。
論文 参考訳(メタデータ) (2023-08-10T17:56:53Z) - DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。
特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。
マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文 参考訳(メタデータ) (2023-08-03T17:59:04Z) - Semantic-Aligned Matching for Enhanced DETR Convergence and Multi-Scale
Feature Fusion [95.7732308775325]
提案したDetection TRansformer (DETR) は、オブジェクト検出のための完全なエンドツーエンドパラダイムを確立している。
DETRは遅いトレーニング収束に悩まされており、様々な検出タスクの適用性を妨げている。
我々は,DETRの収束を加速し,検出性能を向上させるためにセマンティック・アラインド・マッチDreTR++を設計する。
論文 参考訳(メタデータ) (2022-07-28T15:34:29Z) - FastMapSVM: Classifying Complex Objects Using the FastMap Algorithm and
Support-Vector Machines [12.728875331529345]
我々は、複雑なオブジェクトを分類する新しいフレームワークであるFastMapSVMを紹介する。
FastMapSVMは、FastMapとSupport-Map Machinesの強みを組み合わせたものだ。
FastMapSVMのパフォーマンスは他の最先端のメソッドと同等であることを示す。
論文 参考訳(メタデータ) (2022-04-07T18:01:16Z) - 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) - HDNET: Exploiting HD Maps for 3D Object Detection [99.49035895393934]
高精細度(hd)マップは、現代の3dオブジェクト検出器の性能と頑健性を高める強力な事前情報を提供する。
我々はHDマップから幾何学的特徴と意味的特徴を抽出する単一ステージ検出器を設計する。
地図は至る所では利用できないため、生のLiDARデータからフライ時の地図を推定するマップ予測モジュールも提案する。
論文 参考訳(メタデータ) (2020-12-21T21:59:54Z) - AutoRC: Improving BERT Based Relation Classification Models via
Architecture Search [50.349407334562045]
BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。
最適なアーキテクチャとは何かという合意は得られない。
BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
論文 参考訳(メタデータ) (2020-09-22T16:55:49Z)
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。