Fugu-MT 論文翻訳(概要): Road Network Representation Learning: A Dual Graph based Approach

論文の概要: Road Network Representation Learning: A Dual Graph based Approach

arxiv url: http://arxiv.org/abs/2304.07298v1
Date: Thu, 13 Apr 2023 09:30:11 GMT
ステータス: 処理完了
システム内更新日: 2023-04-18 19:49:29.140791
Title: Road Network Representation Learning: A Dual Graph based Approach
Title（参考訳）: 道路ネットワーク表現学習:デュアルグラフに基づくアプローチ
Authors: Liang Zhang and Cheng Long
Abstract要約: 道路網は交通、移動、物流など多くのアプリケーションを動かす重要なインフラである。高速ネットワーク表現学習(RNRL)と呼ばれるベクトルの形で道路の表現を学習する必要がある。
参考スコア（独自算出の注目度）: 15.092888613780406
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Road network is a critical infrastructure powering many applications including transportation, mobility and logistics in real life. To leverage the input of a road network across these different applications, it is necessary to learn the representations of the roads in the form of vectors, which is named \emph{road network representation learning} (RNRL). While several models have been proposed for RNRL, they capture the pairwise relationships/connections among roads only (i.e., as a simple graph), and fail to capture among roads the high-order relationships (e.g., those roads that jointly form a local region usually have similar features such as speed limit) and long-range relationships (e.g., some roads that are far apart may have similar semantics such as being roads in residential areas). Motivated by this, we propose to construct a \emph{hypergraph}, where each hyperedge corresponds to a set of multiple roads forming a region. The constructed hypergraph would naturally capture the high-order relationships among roads with hyperedges. We then allow information propagation via both the edges in the simple graph and the hyperedges in the hypergraph in a graph neural network context. The graph reconstruction and hypergraph reconstruction tasks are conventional ones and can capture structural information. The hyperedge classification task can capture long-range relationships between pairs of roads that belong to hyperedges with the same label. We call the resulting model \emph{HyperRoad}. We further extend HyperRoad to problem settings when additional inputs of road attributes and/or trajectories that are generated on the roads are available.
Abstract（参考訳）: 道路網は交通、移動、物流など多くのアプリケーションを支える重要なインフラである。これらの異なるアプリケーションにまたがる道路網の入力を利用するには,ベクトルの形で道路の表現を学習する必要がある。 RNRLではいくつかのモデルが提案されているが、道路間の対関係(例えば単純なグラフ)を捉えるだけで、高次関係(例えば、地方を共同で形成する道路は、通常速度制限のような類似した特徴を持つ)と長距離関係(例えば、住宅地における道路のような、遠く離れた道路は、同様の意味を持つこともある)を道路間で捉えることができない。そこで我々は,各ハイパーエッジが領域を形成する複数の道路の組に対応する, \emph{hypergraph} を構築することを提案する。構築されたハイパーグラフは、ハイパーエッジを持つ道路間の高次関係を自然に捉える。次に、単純なグラフのエッジとグラフニューラルネットワークコンテキストのハイパーグラフのハイパーエッジの両方を通して情報伝達を可能にする。グラフ再構成およびハイパーグラフ再構築タスクは従来のタスクであり、構造情報をキャプチャすることができる。ハイパーエッジ分類タスクは、同じラベルを持つハイパーエッジに属する道路のペア間の長距離関係をキャプチャすることができる。結果のモデル \emph{HyperRoad} を呼び出します。道路上で発生する道路属性や軌跡の追加入力が利用可能になった場合、HyperRoadをさらに問題設定に拡張する。

関連論文リスト

Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
論文参考訳（メタデータ） (2023-04-11T15:23:29Z)
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)
csBoundary: City-scale Road-boundary Detection in Aerial Images for High-definition Maps [10.082536828708779]
都市規模での道路境界の自動検出のためのcsBoundaryを提案する。筆者らのネットワークは航空画像パッチを入力として,この画像から直接連続的な道路境界グラフを推定する。私たちのcsBoundaryは、公開ベンチマークデータセットで評価され、比較されます。
論文参考訳（メタデータ） (2021-11-11T02:04:36Z)
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)
Learning a Model for Inferring a Spatial Road Lane Network Graph using Self-Supervision [10.819463015526832]
本稿では,空間的に接地された車線レベル道路網グラフを推定するためにモデルを訓練する最初の自己教師型学習手法を提案する。フォーマルな路面ネットワークモデルを示し、最も深度3の有向非巡回グラフで任意の構造化道路シーンを表現できることを証明した。結果から,本モデルは従来のアプローチとは異なり,新たな道路レイアウトに一般化できることが示唆された。
論文参考訳（メタデータ） (2021-07-05T04:34:51Z)
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)
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)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)
RoadTagger: Robust Road Attribute Inference with Graph Neural Networks [26.914950002847863]
衛星画像からレーン数や道路タイプなどの道路特性を推定することは困難である。 RoadTaggerは、畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を組み合わせて、道路特性を推論するエンドツーエンドアーキテクチャである。我々は米国20都市の688 km2の領域をカバーする大規模な実世界のデータセットと、合成マイクロデータセットの両方でRoadTaggerを評価した。
論文参考訳（メタデータ） (2019-12-28T06:09:13Z)

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。