論文の概要: Leveraging Enhanced Queries of Point Sets for Vectorized Map
Construction
- arxiv url: http://arxiv.org/abs/2402.17430v1
- Date: Tue, 27 Feb 2024 11:43:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 16:33:43.710397
- Title: Leveraging Enhanced Queries of Point Sets for Vectorized Map
Construction
- Title（参考訳）: ベクトルマップ構築のための点集合の強化クエリの活用
- Authors: Zihao Liu, Xiaoyu Zhang, Guangwei Liu, Ji Zhao, and Ningyi Xu
- Abstract要約: 自律運転では、ハイデフィニション(HD)マップはローカライゼーションと計画において重要な役割を果たす。
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。
- 参考スコア（独自算出の注目度）: 15.324464723174533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In autonomous driving, the high-definition (HD) map plays a crucial role in
localization and planning. Recently, several methods have facilitated
end-to-end online map construction in DETR-like frameworks. However, little
attention has been paid to the potential capabilities of exploring the query
mechanism. This paper introduces MapQR, an end-to-end method with an emphasis
on enhancing query capabilities for constructing online vectorized maps.
Although the map construction is essentially a point set prediction task, MapQR
utilizes instance queries rather than point queries. These instance queries are
scattered for the prediction of point sets and subsequently gathered for the
final matching. This query design, called the scatter-and-gather query, shares
content information in the same map element and avoids possible inconsistency
of content information in point queries. We further exploit prior information
to enhance an instance query by adding positional information embedded from
their reference points. Together with a simple and effective improvement of a
BEV encoder, the proposed MapQR achieves the best mean average precision (mAP)
and maintains good efficiency on both nuScenes and Argoverse 2. In addition,
integrating our query design into other models can boost their performance
significantly. The code will be available at https://github.com/HXMap/MapQR.
- Abstract（参考訳）: 自律運転では、ハイデフィニション(HD)マップはローカライゼーションと計画において重要な役割を果たす。
近年,DeTRのようなフレームワークにおけるエンドツーエンドのオンラインマップ構築を容易にする手法がいくつかある。
しかし、クエリメカニズムを探索する潜在的な能力にはほとんど注意が払われていない。
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のMapQRを紹介する。
マップの構成は基本的にはポイントセット予測タスクであるが、MapQRはポイントクエリではなくインスタンスクエリを使用する。
これらのインスタンスクエリは点集合の予測のために分散され、その後最終マッチングのために収集される。
このクエリ設計は、scatter-and-gatherクエリと呼ばれ、コンテンツ情報を同じマップ要素で共有し、ポイントクエリにおけるコンテンツ情報の矛盾を回避する。
さらに、参照ポイントから埋め込まれた位置情報を追加することにより、事前情報を活用してインスタンスクエリを強化する。
BEVエンコーダの単純かつ効果的な改善とともに、提案したMapQRは、最高の平均精度(mAP)を達成し、nuScenesとArgoverse 2の両方で優れた効率を維持する。
さらに、クエリ設計を他のモデルに統合することで、パフォーマンスを大幅に向上できます。
コードはhttps://github.com/hxmap/mapqrで入手できる。
関連論文リスト
- VecCity: A Taxonomy-guided Library for Map Entity Representation Learning [48.73446321300362]
マップエンティティ表現学習(MapRL)は、汎用的で再利用可能なデータ表現を生成する。
本稿では,エンコーダや事前学習タスク,下流タスクなどの機能的モジュールモデルに基づいてモデルを編成するMapRLの新しい分類法を提案する。
本稿では, コード化, 事前学習, 微調整, 評価のための, 使いやすいインタフェースを提供する分類学駆動型ライブラリであるVecCityを提案する。
論文 参考訳（メタデータ） (2024-10-31T07:03:46Z) - MGMapNet: Multi-Granularity Representation Learning for End-to-End Vectorized HD Map Construction [75.93907511203317]
多粒性表現を持つ地図要素をモデル化するためのMGMapNet(Multi-Granularity Map Network)を提案する。
提案したMGMapNetは最先端のパフォーマンスを達成し,MapTRv2 を nuScenes で 5.3 mAP,Argoverse2 で 4.4 mAP で上回った。
論文 参考訳（メタデータ） (2024-10-10T09:05:23Z) - 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) - EAN-MapNet: Efficient Vectorized HD Map Construction with Anchor
Neighborhoods [3.699463628959233]
Anchor Neighborhoodsを用いた効率的なHDマップ構築のためのEAN-MapNetを提案する。
nuScenesデータセットでは、EAN-MapNetが63.0 mAPで最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2024-02-28T12:16:42Z) - InsMapper: Exploring Inner-instance Information for Vectorized HD
Mapping [41.59891369655983]
InsMapperは、トランスフォーマーによるベクトル化された高精細マッピングのインナーインスタンス情報を利用する。
InsMapperは従来の最先端の手法を超越し、その有効性と汎用性を示している。
論文 参考訳（メタデータ） (2023-08-16T17:58:28Z) - MapTRv2: An End-to-End Framework for Online Vectorized HD Map Construction [40.07726377230152]
High-definition (HD) マップは、運転シーンの豊富な正確な静的環境情報を提供する。
オンラインベクトル化HDマップ構築のためのエンドツーエンドフレームワークである textbfMap textbfTRansformer を提案する。
論文 参考訳（メタデータ） (2023-08-10T17:56:53Z) - 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) - Weakly-Supervised Multi-Granularity Map Learning for Vision-and-Language
Navigation [87.52136927091712]
我々は,ロボットエージェントが言語指導によって記述された経路をたどって,環境の中をナビゲートするよう訓練する,現実的かつ困難な問題に対処する。
高精度かつ効率的なナビゲーションを実現するためには,環境オブジェクトの空間的位置と意味情報の両方を正確に表現した地図を構築することが重要である。
より包括的にオブジェクトを表現するために,オブジェクトの細粒度(色,テクスチャなど)とセマンティッククラスの両方を含む多粒度マップを提案する。
論文 参考訳（メタデータ） (2022-10-14T04:23:27Z) - MapTR: Structured Modeling and Learning for Online Vectorized HD Map
Construction [33.30177029735497]
MapTRは、効率的なオンラインベクトル化HDマップ構築のための構造化エンドツーエンドフレームワークである。
MapTRは既存のベクトル化マップ構築手法の中で最高の性能と効率を達成する。
論文 参考訳（メタデータ） (2022-08-30T17:55:59Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳（メタデータ） (2022-06-17T09:40:14Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z)
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。