論文の概要: EAN-MapNet: Efficient Vectorized HD Map Construction with Anchor Neighborhoods

• arxiv url: http://arxiv.org/abs/2402.18278v1
• Date: Wed, 28 Feb 2024 12:16:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 15:04:18.106875
• Title: EAN-MapNet: Efficient Vectorized HD Map Construction with Anchor Neighborhoods
• Title（参考訳）: EAN-MapNet: Anchorighborhoodsによる効率的なベクトル化HDマップの構築
• Authors: Huiyuan Xiong, Jun Shen, Taohong Zhu, Yuelong Pan
• Abstract要約: EAN-MapNetは24時間トレーニング後の63.0 mAPで最先端のパフォーマンスを実現している。 メモリ消費をベースラインに比べて8198M削減する。
• 参考スコア（独自算出の注目度）: 3.699463628959233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-definition (HD) map is crucial for autonomous driving systems. Most existing works design map elements detection heads based on the DETR decoder. However, the initial queries lack integration with the physical location feature of map elements, and vanilla self-attention entails high computational complexity. Therefore, we propose EAN-MapNet for Efficiently constructing HD map using Anchor Neighborhoods. Firstly, we design query units based on the physical location feature of anchor neighborhoods. Non-neighborhood central anchors effectively assist the neighborhood central anchors in fitting to the target points, significantly improving the prediction accuracy. Then, we introduce grouped local self-attention (GL-SA), which innovatively utilizes local queries as the medium for feature interaction, thereby substantially reducing the computational complexity of self-attention while facilitating ample feature interaction among queries. On nuScenes dataset, EAN-MapNet achieves a state-of-the-art performance with 63.0 mAP after training for 24 epochs. Furthermore, it considerably reduces memory consumption by 8198M compared to the baseline.
• Abstract（参考訳）: 高精細(HD)マップは自動運転システムにとって不可欠である。 既存の作業の多くは、DETRデコーダに基づいた要素検出ヘッドを設計している。 しかしながら、初期クエリはマップ要素の物理的な位置特徴と統合されておらず、バニラ自己注意は高い計算複雑性を必要とする。 そこで我々は,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。 まず、アンカー地区の物理的位置特徴に基づくクエリユニットを設計する。 非近距離中央アンカーは、目標地点に適合する近傍中央アンカーを効果的に支援し、予測精度を大幅に向上させる。 次に,局所的問合せを特徴的相互作用の媒体として革新的に利用するグループ化局所的問合せ (gl-sa) を導入することにより,問合せ間の豊富な特徴的相互作用を促進しつつ,その計算量を大幅に削減する。 nuScenesデータセットでは、EAN-MapNetは24時間トレーニング後の63.0 mAPで最先端のパフォーマンスを達成する。 さらに、ベースラインと比較して、メモリ消費を大幅に8198m削減する。

関連論文リスト

• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• 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)
• Leveraging Enhanced Queries of Point Sets for Vectorized Map Construction [15.324464723174533]
  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。 MapQR はscatter-and-gather クエリと呼ばれる新しいクエリ設計を採用している。 提案したMapQRは,最高平均精度(mAP)を達成し,nuScenesとArgoverse 2.0の両方で良好な効率を維持する。
  論文  参考訳（メタデータ） (2024-02-27T11:43:09Z)
• ADMap: Anti-disturbance framework for reconstructing online vectorized HD map [9.218463154577616]
  本稿では, 反ゆらぎマップ再構築フレームワーク (ADMap) を提案する。 点次ジッタを緩和するため、このフレームワークは、マルチスケール知覚ネック、インスタンスインタラクティブアテンション(IIA)、ベクトル方向差損失(VDDL)の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-01-24T01:37:27Z)
• Decoupled DETR: Spatially Disentangling Localization and Classification for Improved End-to-End Object Detection [48.429555904690595]
  本稿では,タスク認識型問合せ生成モジュールと切り離された特徴学習プロセスを含む空間的に分離されたDETRを紹介する。 提案手法は,従来の研究に比べてMSCOCOデータセットの大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2023-10-24T15:54:11Z)
• 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)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• MachMap: End-to-End Vectorized Solution for Compact HD-Map Construction [24.517848530666907]
  本報告では,自動運転チャレンジ2023 - オンラインHDマップ構築における第1位獲得ソリューションを紹介する。 我々は,HDマップ構築のタスクをポイント検出パラダイムとして定式化する,MachMapと呼ばれる効果的なアーキテクチャを詳しく検討する。
  論文  参考訳（メタデータ） (2023-06-17T09:06:48Z)
• DQnet: Cross-Model Detail Querying for Camouflaged Object Detection [54.82390534024954]
  カモフラージュされた物体検出のための畳み込みニューラルネットワーク(CNN)は、完全な対象範囲を無視しながら局所的な識別領域を活性化する傾向がある。 本稿では,CNNの内在的特性から部分的活性化が引き起こされることを論じる。 完全なオブジェクト範囲を活性化できる特徴マップを得るために,クロスモデル詳細クエリネットワーク(DQnet)と呼ばれる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） (2022-12-16T06:23:58Z)
• 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)
• 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。