Fugu-MT 論文翻訳(概要): Patched Line Segment Learning for Vector Road Mapping

論文の概要: Patched Line Segment Learning for Vector Road Mapping

arxiv url: http://arxiv.org/abs/2309.02923v1
Date: Wed, 6 Sep 2023 11:33:25 GMT
ステータス: 処理完了
システム内更新日: 2023-09-07 15:47:14.977900
Title: Patched Line Segment Learning for Vector Road Mapping
Title（参考訳）: ベクトル道路マッピングのためのパッチラインセグメント学習
Authors: Jiakun Xu, Bowen Xu, Gui-Song Xia, Liang Dong, Nan Xue
Abstract要約: 我々は,幾何的重要性を持つ道路グラフに対して,よく定義されたパッチラインセグメンテーション表現を構築した。提案手法は,6時間のGPUトレーニングで最先端の性能を達成し,トレーニングコストを32倍に削減する。
参考スコア（独自算出の注目度）: 34.16241268436923
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a novel approach to computing vector road maps from satellite remotely sensed images, building upon a well-defined Patched Line Segment (PaLiS) representation for road graphs that holds geometric significance. Unlike prevailing methods that derive road vector representations from satellite images using binary masks or keypoints, our method employs line segments. These segments not only convey road locations but also capture their orientations, making them a robust choice for representation. More precisely, given an input image, we divide it into non-overlapping patches and predict a suitable line segment within each patch. This strategy enables us to capture spatial and structural cues from these patch-based line segments, simplifying the process of constructing the road network graph without the necessity of additional neural networks for connectivity. In our experiments, we demonstrate how an effective representation of a road graph significantly enhances the performance of vector road mapping on established benchmarks, without requiring extensive modifications to the neural network architecture. Furthermore, our method achieves state-of-the-art performance with just 6 GPU hours of training, leading to a substantial 32-fold reduction in training costs in terms of GPU hours.
Abstract（参考訳）: 本稿では,空間的意味を持つ道路グラフに対して,よく定義されたPatched Line Segment (PaLiS) 表現に基づいて,衛星リモートセンシング画像からベクトル道路マップを計算するための新しいアプローチを提案する。バイナリマスクやキーポイントを用いた衛星画像から道路ベクトル表現を導出する一般的な手法とは異なり,本手法では線分を用いる。これらのセグメントは道路の場所を伝達するだけでなく、方向を捉え、表現の堅牢な選択となる。より正確には、入力画像を考えると、重複しないパッチに分割し、各パッチ内の適切なラインセグメントを予測する。この戦略により、これらのパッチベースの線分から空間的および構造的手がかりを捕捉し、接続のための追加のニューラルネットワークを必要とせずに、道路網グラフを構築するプロセスを簡素化することができる。実験では,ニューラルネットワークアーキテクチャの大幅な変更を必要とせず,有効な道路グラフ表現が確立されたベンチマーク上でのベクトル道路マッピングの性能を著しく向上することを示す。さらに,本手法は,GPU時間のたった6時間で最先端性能を実現し,GPU時間の32倍のトレーニングコスト削減を実現している。

関連論文リスト

PaRK-Detect: Towards Efficient Multi-Task Satellite Imagery Road Extraction via Patch-Wise Keypoints Detection [12.145321599949236]
我々は、マルチタスク衛星画像道路抽出のための新しい手法、パッチワイド道路キーポイント検出(PaRK-Detect)を提案する。筆者らのフレームワークは,パッチワイド道路キーポイントの位置と,それら間の近接関係を予測し,道路グラフを単一パスで構築する。我々は,DeepGlobe, Massachusetts Roads, RoadTracerの既存の最先端手法に対するアプローチを評価し,競争力やより良い結果を得る。
論文参考訳（メタデータ） (2023-02-26T08:26:26Z)
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)
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)
Graph Representation Learning for Road Type Classification [13.227651826285014]
本稿では,最先端のグラフ畳み込みニューラルネットワークを用いた道路網のグラフ表現に対する学習に基づくアプローチを提案する。われわれのアプローチは、オープンストリートマップから17都市の現実的な道路網に適用されている。
論文参考訳（メタデータ） (2021-07-16T09:32:58Z)
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)
Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文参考訳（メタデータ） (2020-11-06T12:17:01Z)
Scribble-based Weakly Supervised Deep Learning for Road Surface Extraction from Remote Sensing Images [7.1577508803778045]
そこで我々は,ScRoadExtractor という,スクリブルに基づく弱制御路面抽出手法を提案する。スパーススクリブルからラベルなし画素への意味情報を伝達するために,道路ラベルの伝搬アルゴリズムを導入する。道路ラベル伝搬アルゴリズムから生成された提案マスクを用いて、デュアルブランチエンコーダデコーダネットワークを訓練する。
論文参考訳（メタデータ） (2020-10-25T12:40:30Z)
Learning Lane Graph Representations for Motion Forecasting [92.88572392790623]
生の地図データからレーングラフを構築し,地図構造を保存する。我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-27T17:59:49Z)
VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文参考訳（メタデータ） (2020-05-08T19:07:03Z)
Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。このようなペア関係を学習するための反復アルゴリズムを提案する。本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。