論文の概要: Data-driven Approach for Automatically Correcting Faulty Road Maps

• arxiv url: http://arxiv.org/abs/2211.06544v1
• Date: Sat, 12 Nov 2022 01:58:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 17:58:13.284201
• Title: Data-driven Approach for Automatically Correcting Faulty Road Maps
• Title（参考訳）: データ駆動型道路地図の自動修正手法
• Authors: Soojung Hong, Kwanghee Choi
• Abstract要約: 道路地図の修正のための新しいデータ駆動手法を提案する。 道路形状ごとに独自のアルゴリズムを使わずに複雑な道路地形に対処するための画像インパインティング手法を取り入れた。 提案手法は, 直線道路, 曲がりくねった道路, T-ジャンクション, 交差点など, 様々な道路地形の基準線と比較する。
• 参考スコア（独自算出の注目度）: 1.2691047660244335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Maintaining road networks is labor-intensive, especially in actively developing countries where the road frequently changes. Many automatic road extraction approaches have been introduced to solve this real-world problem, fueled by the abundance of large-scale high-resolution satellite imagery and advances in data-driven vision technology. However, their performance is limited to fully automating road map extraction in real-world services. Hence, many services employ the human-in-the-loop approaches on the extracted road maps: semi-automatic detection and repairment of faulty road maps. Our paper exclusively focuses on the latter, introducing a novel data-driven approach for fixing road maps. We incorporate image inpainting approaches to tackle complex road geometries without custom-made algorithms for each road shape, yielding a method that is readily applicable to any road map segmentation model. We compare our method with the baselines on various road geometries, such as straight and curvy roads, T-junctions, and intersections, to demonstrate the effectiveness of our approach.
• Abstract（参考訳）: 道路網の維持は労働集約的であり、特に道路が頻繁に変化する発展途上国では特に顕著である。 大規模な高解像度衛星画像の豊富さとデータ駆動型ビジョン技術の進歩により、この現実世界の問題を解決するために多くの自動道路抽出手法が導入された。 しかし,その性能は実サービスにおける道路地図抽出の完全自動化に限られている。 したがって, 道路地図の半自動検出と補修という, 抽出した道路地図に対して, ループ内アプローチを採用するサービスが多い。 本稿は,道路地図の修正に新たなデータ駆動アプローチを導入することで,後者にのみ焦点をあてた。 道路形状ごとにカスタムメイドのアルゴリズムを使わずに複雑な道路ジオメトリに取り組むための画像インペインティング手法を導入し,任意の道路地図セグメンテーションモデルに容易に適用できる手法を提案する。 提案手法は, 直交道路, 直交道路, T-ジャンクション, 交差点など, 各種道路地形のベースラインと比較し, 提案手法の有効性を実証する。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• Road Graph Generator: Mapping roads at construction sites from GPS data [0.0]
  本稿では,GPS軌道から地図構築地点への道路推定手法を提案する。 この課題は, 建設機械の非標準運動パターンが不安定であることから, 独特な課題である。 提案手法はまず,重要な決定点として機能する道路網の交差点を識別し,エッジと接続してグラフを生成する。
  論文  参考訳（メタデータ） (2024-02-15T12:53:25Z)
• Haul Road Mapping from GPS Traces [0.0]
  本稿では,道路網の正確な表現を,現場で運用されているトラックから取得したGPSデータを用いて自動的に導き出す可能性について検討する。 全ての試験アルゴリズムで見られる欠点に基づいて, 地雷の現場に典型的な工芸品の道路地図を幾何学的に解析するポストプロセッシング・ステップが開発された。
  論文  参考訳（メタデータ） (2022-06-27T04:35:06Z)
• 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)
• Hierarchical Road Topology Learning for Urban Map-less Driving [8.107327095922729]
  我々は、車両自体の感覚システムを活用することで、オンライン道路地図抽出の課題に取り組む。 本研究では,全畳み込みネットワーク内で,道路網のグラフ表現を階層的に生成する構造化モデルを設計する。
  論文  参考訳（メタデータ） (2021-03-31T19:51:25Z)
• DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
  我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。 グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。 2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
  論文  参考訳（メタデータ） (2020-12-22T21:58:57Z)
• Hierarchical Recurrent Attention Networks for Structured Online Maps [91.28820076955128]
  疎い3次元点雲からのオンライン道路網抽出の問題に対処する。 この手法はannotatorがレーングラフを構築する方法に触発され、まず何レーンあるかを特定し、順番に各レーンを描画する。 我々は,レーン境界の初期領域に順応する階層的リカレントネットワークを開発し,構造化ポリラインを出力することにより,それらを完全にトレースする。
  論文  参考訳（メタデータ） (2020-12-22T19:35:53Z)
• 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)
• End-to-End Deep Structured Models for Drawing Crosswalks [98.9901717499058]
  我々は、両方の入力を地上に投影し、シーンのトップダウンビューを生成します。 次に,畳み込みニューラルネットワークを用いて横断歩道の位置に関する意味的手がかりを抽出する。 大都市での横断歩道実験では96.6%の自動化が可能であった。
  論文  参考訳（メタデータ） (2020-12-21T18:59:08Z)
• Photon-Driven Neural Path Guiding [102.12596782286607]
  本稿では,スパース標本群から誘導される経路の高品質なサンプリング分布を再構築するニューラルパス誘導手法を提案する。 我々は、光源から追跡した光子をサンプリング密度再構成の入力として利用し、強力なグローバル照明の挑戦シーンに非常に効果的である。 提案手法は,従来の最先端の経路案内手法よりも,テストシーンのレンダリング結果が大幅に向上する。
  論文  参考訳（メタデータ） (2020-10-05T04:54:01Z)

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。