論文の概要: Building Lane-Level Maps from Aerial Images

• arxiv url: http://arxiv.org/abs/2312.13449v1
• Date: Wed, 20 Dec 2023 21:58:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-22 16:41:42.952948
• Title: Building Lane-Level Maps from Aerial Images
• Title（参考訳）: 航空画像からのレーンレベルマップの構築
• Authors: Jiawei Yao and Xiaochao Pan and Tong Wu and Xiaofeng Zhang
• Abstract要約: レーン検出のために構築された大規模空中画像データセットを初めて紹介する。 我々はAerialLaneNetと呼ばれる空中画像からベースライン深層学習車線検出手法を開発した。 提案手法は,新たなデータセットの最先端手法と比較して,大幅な改善を実現している。
• 参考スコア（独自算出の注目度）: 9.185929396989083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting lane lines from sensors is becoming an increasingly significant part of autonomous driving systems. However, less development has been made on high-definition lane-level mapping based on aerial images, which could automatically build and update offline maps for auto-driving systems. To this end, our work focuses on extracting fine-level detailed lane lines together with their topological structures. This task is challenging since it requires large amounts of data covering different lane types, terrain and regions. In this paper, we introduce for the first time a large-scale aerial image dataset built for lane detection, with high-quality polyline lane annotations on high-resolution images of around 80 kilometers of road. Moreover, we developed a baseline deep learning lane detection method from aerial images, called AerialLaneNet, consisting of two stages. The first stage is to produce coarse-grained results at point level, and the second stage exploits the coarse-grained results and feature to perform the vertex-matching task, producing fine-grained lanes with topology. The experiments show our approach achieves significant improvement compared with the state-of-the-art methods on our new dataset. Our code and new dataset are available at https://github.com/Jiawei-Yao0812/AerialLaneNet.
• Abstract（参考訳）: センサーから車線を検出することは、自動運転システムの重要な部分になりつつある。 しかし、航空画像に基づく高精細レーンレベルの地図の開発は少ないため、自動走行システムのオフラインマップを自動構築および更新することができる。 この目的のために、我々は、そのトポロジ的構造とともに細部まで詳細な線線を抽出することに焦点を当てている。 このタスクは、さまざまなレーンタイプ、地形、地域をカバーする大量のデータを必要とするため、難しい。 本稿では,道路約80kmの高解像度画像に高品質のポリラインレーンアノテーションを付加した,レーン検出のための大規模空中画像データセットを初めて紹介する。 さらに,AerialLaneNetと呼ばれる2段階からなる空中画像からベースラインディープラーニングレーンを検出する手法を開発した。 第1段階は粗粒度を点レベルで生成し、第2段階は粗粒度と特徴を利用して頂点マッチングタスクを行い、トポロジーを持つ細粒度レーンを生成する。 実験により,新しいデータセットにおける最先端手法と比較して,我々のアプローチは大幅に改善することが示された。 私たちのコードと新しいデータセットはhttps://github.com/Jiawei-Yao0812/AerialLaneNetで公開されています。

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)
• DeepAerialMapper: Deep Learning-based Semi-automatic HD Map Creation for Highly Automated Vehicles [0.0]
  高解像度空中画像からHDマップを作成するための半自動手法を提案する。 提案手法では, ニューラルネットワークを訓練して, 空中画像をHDマップに関連するクラスに意味的に分割する。 マップをLanelet2フォーマットにエクスポートすることで、さまざまなユースケースを簡単に拡張できる。
  論文  参考訳（メタデータ） (2024-10-01T15:05:05Z)
• 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)
• Prior Based Online Lane Graph Extraction from Single Onboard Camera Image [133.68032636906133]
  単眼カメラ画像からレーングラフをオンラインに推定する。 前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。 オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
  論文  参考訳（メタデータ） (2023-07-25T08:58:26Z)
• RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
  本稿では,リレーチェーン予測に基づく車線検出手法を提案する。 当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
  論文  参考訳（メタデータ） (2022-07-19T16:48:39Z)
• 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)
• Topo-boundary: A Benchmark Dataset on Topological Road-boundary Detection Using Aerial Images for Autonomous Driving [11.576868193291997]
  オフライントポロジカル道路境界検出のための新しいベンチマークデータセットであるtextitTopo-boundaryを提案する。 データセットには21,556$1000times 1000$-size 4-channel aerial imageが含まれる。 データセットを用いて,3つのセグメンテーションベースラインと5つのグラフベースラインを実装し,評価する。
  論文  参考訳（メタデータ） (2021-03-31T14:42:00Z)
• 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)
• Laser Data Based Automatic Generation of Lane-Level Road Map for Intelligent Vehicles [1.3185526395713805]
  本稿では,車線レベル自動道路地図生成システムを提案する。 提案システムは,中国河北省の都市部および高速道路で試験されている。 私たちの方法は、優れた抽出とクラスタリング効果を達成することができ、フィッティングラインは10cm未満の誤差で高い位置精度に達することができます。
  論文  参考訳（メタデータ） (2020-12-11T01:09:04Z)
• Aerial Height Prediction and Refinement Neural Networks with Semantic and Geometric Guidance [0.0]
  このレターでは、まずマルチタスクニューラルネットワークを用いて、単一のRGB空中入力画像から得られる高さマップを予測する2段階のアプローチを提案する。 2つの公開データセットの実験により、我々の手法は最先端の結果を生成可能であることが示された。
  論文  参考訳（メタデータ） (2020-11-21T01:39:37Z)
• PolyLaneNet: Lane Estimation via Deep Polynomial Regression [9.574421369309949]
  車両に搭載された前方カメラの画像を用いた車線検出手法を提案する。 提案手法はTuSimpleデータセットの既存の最先端手法と競合することが示されている。 ソースコードとトレーニングされたモデルを提供して、他の人がこの論文に示したすべての結果を再現できるようにします。
  論文  参考訳（メタデータ） (2020-04-23T01:23:02Z)

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。