論文の概要: InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning
- arxiv url: http://arxiv.org/abs/2301.04470v1
- Date: Tue, 10 Jan 2023 08:15:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 16:52:07.584034
- Title: InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning
- Title（参考訳）: InstaGraM: ベクトル化HDマップ学習のためのインスタンスレベルのグラフモデリング
- Authors: Juyeb Shin, Francois Rameau, Hyeonjun Jeong, Dongsuk Kum
- Abstract要約: 本稿では,インスタンスレベルのグラフモデリングによるベクトル化HDマップを生成する高速なエンドツーエンドネットワークを提案する。
InstaGraMはHDMapNetを13.7mAPで上回り、VectorMapNet 5倍高速な推論速度で同等の精度を達成する。
- 参考スコア（独自算出の注目度）: 6.062751776009753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The construction of lightweight High-definition (HD) maps containing
geometric and semantic information is of foremost importance for the
large-scale deployment of autonomous driving. To automatically generate such
type of map from a set of images captured by a vehicle, most works formulate
this mapping as a segmentation problem, which implies heavy post-processing to
obtain the final vectorized representation. Alternative techniques have the
ability to generate an HD map in an end-to-end manner but rely on
computationally expensive auto-regressive models. To bring camera-based to an
applicable level, we propose InstaGraM, a fast end-to-end network generating a
vectorized HD map via instance-level graph modeling of the map elements. Our
strategy consists of three main stages: top-view feature extraction, road
elements' vertices and edges detection, and conversion to a semantic vector
representation. After top-down feature extraction, an encoder-decoder
architecture is utilized to predict a set of vertices and edge maps of the road
elements. Finally, these vertices along with edge maps are associated through
an attentional graph neural network generating a semantic vectorized map.
Instead of relying on a common segmentation approach, we propose to regress
distance transform maps as they provide strong spatial relations and
directional information between vertices. Comprehensive experiments on nuScenes
dataset show that our proposed network outperforms HDMapNet by 13.7 mAP and
achieves comparable accuracy with VectorMapNet 5x faster inference speed.
- Abstract（参考訳）: 幾何情報と意味情報を含む軽量ハイデフィニション(HD)マップの構築は、自動運転の大規模展開において最も重要である。
車両が捉えた一連の画像からそのようなマップを自動的に生成するために、ほとんどの作業は、このマッピングをセグメント化問題として定式化し、重い後処理によって最終的なベクトル化表現を得る。
代替技術は、エンドツーエンドでHDマップを生成する能力を持つが、計算に高価な自動回帰モデルに依存している。
InstaGraMは,地図要素のインスタンスレベルグラフモデリングにより,ベクトル化されたHDマップを生成する高速なエンドツーエンドネットワークである。
我々の戦略は,トップビュー特徴抽出,道路要素の頂点とエッジ検出,意味ベクトル表現への変換の三段階からなる。
トップダウン特徴抽出後、エンコーダ・デコーダアーキテクチャを使用して、道路要素の頂点とエッジマップのセットを予測する。
最後に、これらの頂点とエッジマップは、意味ベクトルマップを生成する注意グラフニューラルネットワークを介して関連付けられる。
我々は,共通セグメント化アプローチに頼る代わりに,頂点間の空間的関係と方向情報を提供するため,距離変換マップを回帰することを提案する。
nuScenesデータセットの総合的な実験により、提案したネットワークはHDMapNetを13.7mAPで上回り、VectorMapNet 5倍高速な推論速度で同等の精度を達成している。
関連論文リスト
- TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳（メタデータ） (2024-11-22T06:13:42Z) - Online Vectorized HD Map Construction using Geometry [17.33973935325903]
本稿では,地図インスタンスのユークリッド形状と関係を基本的な知覚を超えて学習するGeMapを提案する。
提案手法は,NuScenesおよびArgoverse 2データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-12-06T08:26:26Z) - 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 [40.07726377230152]
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) - Online Map Vectorization for Autonomous Driving: A Rasterization
Perspective [58.71769343511168]
より優れた感度を有し,現実の自律運転シナリオに適した,新化に基づく評価指標を提案する。
また、精度の高い出力に微分可能化を適用し、HDマップの幾何学的監視を行う新しいフレームワークであるMapVR(Map Vectorization via Rasterization)を提案する。
論文 参考訳（メタデータ） (2023-06-18T08:51:14Z) - HDMapNet: An Online HD Map Construction and Evaluation Framework [23.19001503634617]
HDマップの構築は自動運転にとって重要な問題である。
従来のHDマップは、多くのシナリオでは信頼性の低いセンチメートルレベルの正確な位置決めと結合している。
オンライン地図学習は、自動運転車に先立って意味と幾何学を提供するための、よりスケーラブルな方法である。
論文 参考訳（メタデータ） (2021-07-13T18:06:46Z) - 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) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - 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) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z)
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。