論文の概要: InsightMapper: A Closer Look at Inner-instance Information for
Vectorized High-Definition Mapping
- arxiv url: http://arxiv.org/abs/2308.08543v2
- Date: Thu, 28 Sep 2023 16:00:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 20:08:47.082212
- Title: InsightMapper: A Closer Look at Inner-instance Information for
Vectorized High-Definition Mapping
- Title（参考訳）: insightmapper: ベクトル化高定義写像のインナーインテンス情報について
- Authors: Zhenhua Xu, Kenneth K.Y. Wong, Hengshuang Zhao
- Abstract要約: 本稿では,インナーインスタンス情報を異なる方法で活用するInsightMapperの3つの新しい設計について述べる。
InsightMapperは従来の最先端(SOTA)メソッドを5.78mAPと5.12TOPOで上回っている。
- 参考スコア（独自算出の注目度）: 30.104251222809324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vectorized high-definition (HD) maps contain detailed information about
surrounding road elements, which are crucial for various downstream tasks in
modern autonomous driving vehicles, such as vehicle planning and control.
Recent works have attempted to directly detect the vectorized HD map as a point
set prediction task, resulting in significant improvements in detection
performance. However, these approaches fail to analyze and exploit the
inner-instance correlations between predicted points, impeding further
advancements. To address these challenges, we investigate the utilization of
inner-$\textbf{INS}$tance information for vectorized h$\textbf{IGH}$-definition
mapping through $\textbf{T}$ransformers and introduce InsightMapper. This paper
presents three novel designs within InsightMapper that leverage inner-instance
information in distinct ways, including hybrid query generation, inner-instance
query fusion, and inner-instance feature aggregation. Comparative experiments
are conducted on the NuScenes dataset, showcasing the superiority of our
proposed method. InsightMapper surpasses previous state-of-the-art (SOTA)
methods by 5.78 mAP and 5.12 TOPO, which assess topology correctness.
Simultaneously, InsightMapper maintains high efficiency during both training
and inference phases, resulting in remarkable comprehensive performance. The
project page for this work is available at
https://tonyxuqaq.github.io/InsightMapper/ .
- Abstract（参考訳）: ベクトル化高精細地図(Vectorized High-definition (HD) map) には周囲の道路要素に関する詳細な情報が含まれている。
近年の研究では,ベクトル化HDマップを点集合予測タスクとして直接検出することが試みられ,検出性能が大幅に向上した。
しかし、これらの手法は予測点間の内在相関の分析と利用に失敗し、さらなる進歩を妨げる。
これらの課題に対処するため、ベクトル化 h$\textbf{IGH}$-definition mapping through $\textbf{T}$ransformers に対する内積$\textbf{INS}$tance情報の利用を調査し、InsightMapper を導入する。
本稿では,内在性情報を利用した内在性情報生成,内在性クエリ融合,内在性特徴集約の3つの新しい手法を提案する。
比較実験はnuscenesデータセット上で行われ,提案手法の優位性を示した。
InsightMapperは従来の最先端(SOTA)メソッドを5.78mAPと5.12TOPOで上回り、トポロジの正確性を評価する。
同時にInsightMapperは、トレーニングと推論フェーズの両方で高い効率を維持しており、非常に包括的なパフォーマンスを実現している。
この作業のプロジェクトページはhttps://tonyxuqaq.github.io/insightmapper/で入手できる。
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) - Enhancing Vectorized Map Perception with Historical Rasterized Maps [37.48510990922406]
我々は,オンラインベクトル化地図知覚を高めるために,低コストな履歴ラスタライズドマップを利用するHRMapNetを提案する。
履歴化された地図は、過去の予測されたベクトル化された結果から容易に構築でき、貴重な補完情報を提供する。
HRMapNetは、ほとんどのオンラインベクトル化マップ認識手法と統合することができる。
論文 参考訳（メタデータ） (2024-09-01T05:22:33Z) - Leveraging Enhanced Queries of Point Sets for Vectorized Map Construction [15.324464723174533]
本稿では,オンラインベクトル化マップ構築のためのクエリ機能の向上を重視したエンドツーエンド手法であるMapQRを紹介する。
MapQR はscatter-and-gather クエリと呼ばれる新しいクエリ設計を採用している。
提案したMapQRは,最高平均精度(mAP)を達成し,nuScenesとArgoverse 2.0の両方で良好な効率を維持する。
論文 参考訳（メタデータ） (2024-02-27T11:43:09Z) - 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) - 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) - VectorMapNet: End-to-end Vectorized HD Map Learning [18.451587680552464]
本稿では,VectorMapNetと呼ばれるエンドツーエンドのベクトル化HDマップ学習パイプラインを紹介する。
このパイプラインは、地図要素間の空間的関係を明示的にモデル化し、下流の自律運転タスクに相応しいベクトル化されたマップを生成することができる。
VectorMapNetはnuScenesとArgo2データセットの両方で強力なマップ学習性能を実現する。
論文 参考訳（メタデータ） (2022-06-17T17:57:13Z) - 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) - MapFusion: A General Framework for 3D Object Detection with HDMaps [17.482961825285013]
現代の3Dオブジェクトディテクタパイプラインにマップ情報を統合するためのMapFusionを提案します。
マップ情報を融合することにより、3つの強力な3dオブジェクト検出ベースラインで平均精度(map)が1.27ポイントから2.79ポイント向上する。
論文 参考訳（メタデータ） (2021-03-10T08:36:59Z) - 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) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳（メタデータ） (2020-08-09T09:26:30Z)
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。