論文の概要: Translating Images to Road Network:A Non-Autoregressive
Sequence-to-Sequence Approach
- arxiv url: http://arxiv.org/abs/2402.08207v1
- Date: Tue, 13 Feb 2024 04:12:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 16:28:59.330215
- Title: Translating Images to Road Network:A Non-Autoregressive
Sequence-to-Sequence Approach
- Title(参考訳): 道路網への画像翻訳:非自己回帰的シーケンス対シーケンスアプローチ
- Authors: Jiachen Lu, Renyuan Peng, Xinyue Cai, Hang Xu, Hongyang Li, Feng Wen,
Wei Zhang, Li Zhang
- Abstract要約: 道路網は高精細地図の生成に不可欠である。
道路ネットワークの生成は、ユークリッドと非ユークリッド構造の組み合わせが相反するため、大きな課題となる。
我々の研究は、ユークリッドデータと非ユークリッドデータの両方をRoadNet Sequenceと呼ばれる整数列に投影することで、両方のデータ領域の統一表現を確立します。
- 参考スコア(独自算出の注目度): 43.7584278694915
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The extraction of road network is essential for the generation of
high-definition maps since it enables the precise localization of road
landmarks and their interconnections. However, generating road network poses a
significant challenge due to the conflicting underlying combination of
Euclidean (e.g., road landmarks location) and non-Euclidean (e.g., road
topological connectivity) structures. Existing methods struggle to merge the
two types of data domains effectively, but few of them address it properly.
Instead, our work establishes a unified representation of both types of data
domain by projecting both Euclidean and non-Euclidean data into an integer
series called RoadNet Sequence. Further than modeling an auto-regressive
sequence-to-sequence Transformer model to understand RoadNet Sequence, we
decouple the dependency of RoadNet Sequence into a mixture of auto-regressive
and non-autoregressive dependency. Building on this, our proposed
non-autoregressive sequence-to-sequence approach leverages non-autoregressive
dependencies while fixing the gap towards auto-regressive dependencies,
resulting in success on both efficiency and accuracy. Extensive experiments on
nuScenes dataset demonstrate the superiority of RoadNet Sequence representation
and the non-autoregressive approach compared to existing state-of-the-art
alternatives. The code is open-source on
https://github.com/fudan-zvg/RoadNetworkTRansformer.
- Abstract(参考訳): 道路ランドマークとその相互接続の正確な位置化を可能にするため,道路網の抽出は高精細地図の生成に不可欠である。
しかし、道路ネットワークの生成は、ユークリッド(例えば、道路ランドマークの位置)と非ユークリッド(例えば、道路トポロジー接続)構造の相反する組み合わせによって大きな課題となっている。
既存の方法は2つのタイプのデータドメインを効果的にマージするのに苦労するが、それを適切に扱う方法はほとんどない。
代わりに、ユークリッドデータと非ユークリッドデータの両方を roadnet sequence と呼ばれる整数列に投影することで、両方のデータドメインの統一表現を確立します。
RoadNet Sequenceを理解するために自動回帰シーケンス列変換モデルをモデル化するだけでなく、RoadNet Sequenceの依存関係を自動回帰と非自己回帰の混合に分離する。
これを踏まえて,提案手法では,非自己回帰的依存関係を活用しつつ,自己回帰的依存関係に対するギャップを解消し,効率と精度の両面で成功を収める。
nuScenesデータセットの大規模な実験は、既存の最先端の代替手段と比較して、RoadNet Sequence表現と非自己回帰アプローチの優位性を示している。
コードはhttps://github.com/fudan-zvg/RoadNetworkTRansformerで公開されている。
関連論文リスト
- GEC-DePenD: Non-Autoregressive Grammatical Error Correction with
Decoupled Permutation and Decoding [52.14832976759585]
文法的誤り訂正(GEC)は、通常自己回帰的なシーケンス・ツー・シーケンスモデルで解決される重要なNLPタスクである。
本稿では, アーキテクチャを置換ネットワークに分離する, GEC に対する非自己回帰的アプローチを提案する。
GECの既知の非自己回帰手法よりもネットワークが向上することを示す。
論文 参考訳(メタデータ) (2023-11-14T14:24:36Z) - Network Alignment with Transferable Graph Autoencoders [87.28177782039265]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - Leveraging Topology for Domain Adaptive Road Segmentation in Satellite
and Aerial Imagery [9.23555285827483]
道路分割アルゴリズムは、新しい地理的位置への一般化に失敗する。
道路骨格は、トポロジカルな制約を課す補助的なタスクである。
自己学習のために、接続性に基づく擬似ラベル改善戦略を用いて、ノイズの多い擬似ラベルをフィルタリングする。
論文 参考訳(メタデータ) (2023-09-27T12:50:51Z) - Road Network Representation Learning: A Dual Graph based Approach [15.092888613780406]
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。
論文 参考訳(メタデータ) (2023-04-13T09:30:11Z) - Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。
静的および動的駆動コンテキストを階層的にエンコードする。
提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
論文 参考訳(メタデータ) (2021-11-02T13:42:16Z) - 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) - Dynamic Graph Convolutional Recurrent Network for Traffic Prediction:
Benchmark and Solution [18.309299822858243]
DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。
DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。
我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
論文 参考訳(メタデータ) (2021-04-30T11:25:43Z) - Jamming-Resilient Path Planning for Multiple UAVs via Deep Reinforcement
Learning [1.2330326247154968]
無人航空機(UAV)は無線ネットワークの不可欠な部分であると期待されている。
本論文では,複数のセルコネクテッドUAVの衝突のない経路を探索する。
本稿では,オンライン信号対干渉+雑音比マッピングを用いたオフライン時間差学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-04-09T16:52:33Z) - 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) - 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)
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。