論文の概要: TopoMLP: A Simple yet Strong Pipeline for Driving Topology Reasoning

• arxiv url: http://arxiv.org/abs/2310.06753v2
• Date: Wed, 1 Nov 2023 06:15:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 16:35:54.576790
• Title: TopoMLP: A Simple yet Strong Pipeline for Driving Topology Reasoning
• Title（参考訳）: topomlp:トポロジー推論を駆動するシンプルで強力なパイプライン
• Authors: Dongming Wu, Jiahao Chang, Fan Jia, Yingfei Liu, Tiancai Wang, Jianbing Shen
• Abstract要約: トポロジー推論は、道路シーンを理解し、自律運転における乾燥可能なルートを提示することを目的としている。 道路の中心線(車線)と交通要素を検出し、そのトポロジの関係、すなわち車線-車線トポロジと車線-交通トポロジを推論する必要がある。 トポロジー性能の上限を拡張するために,強力な3次元レーン検出器と改良された2次元交通要素検出器を導入する。
• 参考スコア（独自算出の注目度）: 51.29906807247014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Topology reasoning aims to comprehensively understand road scenes and present drivable routes in autonomous driving. It requires detecting road centerlines (lane) and traffic elements, further reasoning their topology relationship, i.e., lane-lane topology, and lane-traffic topology. In this work, we first present that the topology score relies heavily on detection performance on lane and traffic elements. Therefore, we introduce a powerful 3D lane detector and an improved 2D traffic element detector to extend the upper limit of topology performance. Further, we propose TopoMLP, a simple yet high-performance pipeline for driving topology reasoning. Based on the impressive detection performance, we develop two simple MLP-based heads for topology generation. TopoMLP achieves state-of-the-art performance on OpenLane-V2 benchmark, i.e., 41.2% OLS with ResNet-50 backbone. It is also the 1st solution for 1st OpenLane Topology in Autonomous Driving Challenge. We hope such simple and strong pipeline can provide some new insights to the community. Code is at https://github.com/wudongming97/TopoMLP.
• Abstract（参考訳）: トポロジー推論は、道路シーンを包括的に理解し、自律運転における乾燥可能なルートを提示することを目的としている。 道路中心線(車線)と交通要素を検出し、さらにそのトポロジーの関係、すなわち車線-車線トポロジーと車線-交通トポロジーを推論する必要がある。 そこで本研究では,まずトポロジスコアが車線および交通要素の検知性能に大きく依存していることを示す。 そこで我々は, トポロジー性能の上限を延ばすために, 強力な3次元レーン検出器と改良された2次元トラヒック素子検出器を導入する。 さらに,トポロジ推論を駆動する単純な高性能パイプラインであるTopoMLPを提案する。 印象的な検出性能に基づいて、トポロジー生成のための2つの単純なMLPベースのヘッドを開発する。 TopoMLPはOpenLane-V2ベンチマーク、すなわちResNet-50バックボーンを持つ41.2%のOLSで最先端のパフォーマンスを達成する。 また、第1回OpenLane Topology in Autonomous Driving Challengeの1番目のソリューションでもある。 このようなシンプルで強力なパイプラインがコミュニティに新たな洞察を与えてくれることを願っています。 コードはhttps://github.com/wudongming97/TopoMLPにある。

関連論文リスト

• Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
  車線検出は自律運転認識システムにおいて重要な役割を果たす。 ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。 本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
  論文  参考訳（メタデータ） (2024-11-25T12:09:43Z)
• TopoLogic: An Interpretable Pipeline for Lane Topology Reasoning on Driving Scenes [27.930213859199473]
  レーン幾何距離とレーンクエリ類似度に基づくレーントポロジー推論の解釈可能な手法を提案する。 提案手法は,主要なベンチマークであるOpenLane-V2において,既存の最先端手法よりも大幅に優れています。 提案する幾何距離トポロジ推論法は, 再学習なしによく訓練されたモデルに組み込むことができる。
  論文  参考訳（メタデータ） (2024-05-23T16:15:17Z)
• LaneSegNet: Map Learning with Lane Segment Perception for Autonomous Driving [60.55208681215818]
  道路構造の完全な表現を得るために,レーンセグメントを生成する最初のエンドツーエンドマッピングネットワークであるLaneSegNetを紹介した。 提案アルゴリズムは2つの重要な修正点を特徴としている。1つは、長距離特徴空間内の重要な領域の詳細をキャプチャするレーンアテンションモジュールである。 OpenLane-V2データセットでは、LaneSegNetは3つのタスクにまたがって大幅に向上している。
  論文  参考訳（メタデータ） (2023-12-26T16:22:10Z)
• The 1st-place Solution for CVPR 2023 OpenLane Topology in Autonomous Driving Challenge [9.684012701676327]
  自動運転チャレンジにおけるOpenLane Topologyの1位となるソリューションを提示する。 トポロジ推論は中心線検出とトラヒック要素検出に基づくので,高性能なマルチステージフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-06-16T02:33:12Z)
• 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)
• Technical Report for Argoverse2 Challenge 2022 -- Motion Forecasting Task [10.47741962311225]
  本稿では,BANetと呼ばれる動作予測モデルを提案する。 ベクトルマップノードの埋め込み特性を得るためには,レーン中心線のみを入力として使用するだけでは十分ではないと我々は信じている。
  論文  参考訳（メタデータ） (2022-06-16T05:56:24Z)
• Topology Preserving Local Road Network Estimation from Single Onboard Camera Image [128.881857704338]
  本稿では,鳥眼ビュー(BEV)において,局所道路網のトポロジーを抽出することを目的とする。 唯一の入力は、シングルオンボードの前方カメラ画像で構成されている。 道路トポロジを,道路の交点を用いて捉えた一組の有向車線曲線とその相互作用を用いて表現する。
  論文  参考訳（メタデータ） (2021-12-19T14:25:22Z)
• 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)

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。