論文の概要: RNGDet++: Road Network Graph Detection by Transformer with Instance
Segmentation and Multi-scale Features Enhancement
- arxiv url: http://arxiv.org/abs/2209.10150v1
- Date: Wed, 21 Sep 2022 07:06:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 17:02:48.101411
- Title: RNGDet++: Road Network Graph Detection by Transformer with Instance
Segmentation and Multi-scale Features Enhancement
- Title（参考訳）: RNGDet++: インスタンスセグメンテーションとマルチスケール機能強化を備えたトランスフォーマによる道路網グラフ検出
- Authors: Zhenhua Xu, Yuxuan Liu, Yuxiang Sun, Ming Liu, Lujia Wang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 19.263691277963368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The graph structure of road networks is critical for downstream tasks of
autonomous driving systems, such as global planning, motion prediction and
control. In the past, the road network graph is usually manually annotated by
human experts, which is time-consuming and labor-intensive. To obtain the road
network graph with better effectiveness and efficiency, automatic approaches
for road network graph detection are required. Previous works either
post-process semantic segmentation maps or propose graph-based algorithms to
directly predict the road network graph. However, previous works suffer from
hard-coded heuristic processing algorithms and inferior final performance. To
enhance the previous SOTA (State-of-the-Art) approach RNGDet, we add an
instance segmentation head to better supervise the model training, and enable
the model to leverage multi-scale features of the backbone network. Since the
new proposed approach is improved from RNGDet, it is named RNGDet++. All
approaches are evaluated on a large publicly available dataset. RNGDet++
outperforms baseline models on almost all metrics scores. It improves the
topology correctness APLS (Average Path Length Similarity) by around 3\%. The
demo video and supplementary materials are available on our project page
\url{https://tonyxuqaq.github.io/projects/RNGDetPlusPlus/}.
- Abstract（参考訳）: 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おいて重要である。
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。
道路網グラフの有効性と効率性を向上させるためには,道路網グラフの自動検出手法が必要である。
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。
しかし、以前の研究はハードコードされたヒューリスティックな処理アルゴリズムと劣った最終性能に悩まされていた。
従来のSOTA(State-of-the-Art)アプローチであるRNGDetを強化するために、モデルトレーニングをよりよく監視するためのインスタンスセグメンテーションヘッドを追加し、バックボーンネットワークのマルチスケール機能を活用する。
新しいアプローチはrngdetから改善されているので、rngdet++と呼ばれている。
すべてのアプローチは、大きな公開データセットで評価されます。
RNGDet++は、ほぼすべてのメトリクススコアでベースラインモデルを上回っている。
位相補正apls(平均経路長類似度)を約3\%改善する。
デモビデオと補足資料はプロジェクトページ \url{https://tonyxuqaq.github.io/projects/RNGDetPlusPlus/} で公開されている。
関連論文リスト
- 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) - Graph Transformers for Large Graphs [57.19338459218758]
この研究は、モデルの特徴と重要な設計制約を識別することに焦点を当てた、単一の大規模グラフでの表現学習を前進させる。
この研究の重要な革新は、局所的な注意機構と組み合わされた高速な近傍サンプリング技術の作成である。
ogbn-products と snap-patents の3倍の高速化と16.8%の性能向上を報告し、ogbn-100M で LargeGT を5.9% の性能改善で拡張した。
論文 参考訳（メタデータ） (2023-12-18T11:19:23Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z) - Geometric Deep Learning for Autonomous Driving: Unlocking the Power of
Graph Neural Networks With CommonRoad-Geometric [6.638385593789309]
不均一グラフは、複雑な相互作用効果をモデル化する能力を考えると、トラフィックに対して強力なデータ表現を提供する。
グラフニューラルネットワーク(GNN)が付随するディープラーニングフレームワークとして登場することにより、グラフ構造をさまざまな機械学習アプリケーションに効率的に活用することができる。
提案するPythonフレームワークは,トラフィックシナリオから標準化されたグラフデータセットを抽出する,使いやすく,完全にカスタマイズ可能なデータ処理パイプラインを提供する。
論文 参考訳（メタデータ） (2023-02-02T17:45:02Z) - Simpler is better: Multilevel Abstraction with Graph Convolutional
Recurrent Neural Network Cells for Traffic Prediction [6.968068088508505]
グラフニューラルネットワーク(GNN)のための新しいシーケンス・ツー・シーケンスアーキテクチャを提案する。
また、カナダのモントリオールで、ストリートレベルのセグメントデータのベンチマークデータセットを新たに発表した。
本モデルでは,ベースライン法と比較して1時間予測で7%以上性能が向上する。
論文 参考訳（メタデータ） (2022-09-08T14:56:29Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳（メタデータ） (2022-07-18T14:23:31Z) - 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) - 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) - 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) - Dynamic Graph Convolutional Recurrent Network for Traffic Prediction:
Benchmark and Solution [18.309299822858243]
DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。
DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。
我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
論文 参考訳（メタデータ） (2021-04-30T11:25:43Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳（メタデータ） (2020-07-03T09:30:07Z)
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。