論文の概要: Lane Segmentation Refinement with Diffusion Models

• arxiv url: http://arxiv.org/abs/2405.00620v1
• Date: Wed, 1 May 2024 16:40:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-02 15:07:37.631653
• Title: Lane Segmentation Refinement with Diffusion Models
• Title（参考訳）: 拡散モデルによる線分微細化
• Authors: Antonio Ruiz, Andrew Melnik, Dong Wang, Helge Ritter,
• Abstract要約: レーングラフはハイデフィニション(HD)マップを構築する上で重要な要素であり、自動運転やナビゲーション計画といった下流業務に不可欠である。 He et al. (2022) は、セグメンテーションに基づくアプローチを用いて、空中画像からレーンレベルグラフの抽出を探索した。 我々は,このセグメンテーションに基づくアプローチを洗練し,拡散確率モデル(DPM)コンポーネントで拡張するためのさらなる拡張について検討する。 この組み合わせにより、非断面積の非方向グラフにおけるレーングラフの品質の重要な指標であるGEO F1とTOPO F1のスコアがさらに改善される。
• 参考スコア（独自算出の注目度）: 4.292002248705256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The lane graph is a key component for building high-definition (HD) maps and crucial for downstream tasks such as autonomous driving or navigation planning. Previously, He et al. (2022) explored the extraction of the lane-level graph from aerial imagery utilizing a segmentation based approach. However, segmentation networks struggle to achieve perfect segmentation masks resulting in inaccurate lane graph extraction. We explore additional enhancements to refine this segmentation-based approach and extend it with a diffusion probabilistic model (DPM) component. This combination further improves the GEO F1 and TOPO F1 scores, which are crucial indicators of the quality of a lane graph, in the undirected graph in non-intersection areas. We conduct experiments on a publicly available dataset, demonstrating that our method outperforms the previous approach, particularly in enhancing the connectivity of such a graph, as measured by the TOPO F1 score. Moreover, we perform ablation studies on the individual components of our method to understand their contribution and evaluate their effectiveness.
• Abstract（参考訳）: レーングラフはハイデフィニション(HD)マップを構築する上で重要な要素であり、自動運転やナビゲーション計画といった下流業務に不可欠である。 He et al (2022) は、セグメンテーションに基づくアプローチを用いて、空中画像からレーンレベルグラフの抽出を探索した。 しかし、セグメンテーションネットワークは完全なセグメンテーションマスクを達成するのに苦労し、不正確なレーングラフ抽出をもたらす。 我々は,このセグメンテーションに基づくアプローチを洗練し,拡散確率モデル(DPM)コンポーネントで拡張するためのさらなる拡張について検討する。 この組み合わせは、非断面積の非方向グラフにおけるレーングラフの品質の重要な指標であるGEO F1とTOPO F1のスコアをさらに改善する。 提案手法は,TOPO F1スコアによって測定されたグラフの接続性の向上において,従来の手法よりも優れていることを示す。 さらに,本手法の個々の構成要素に関するアブレーション研究を行い,それらの貢献を理解し,有効性を評価する。

関連論文リスト

• Against Multifaceted Graph Heterogeneity via Asymmetric Federated Prompt Learning [5.813912301780917]
  本稿では,非対称なグラフ知識の伝達を効率的に行うためのフェデレートグラフプロンプト学習(FedGPL)フレームワークを提案する。 我々は,FedGPLの精度と有効性を示すため,理論解析と広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-11-04T11:42:25Z)
• VectorGraphNET: Graph Attention Networks for Accurate Segmentation of Complex Technical Drawings [0.40964539027092917]
  本稿では,PDF形式での技術図面からベクトルデータを抽出し,解析する手法を提案する。 提案手法では,PDFファイルをSVGフォーマットに変換し,機能豊富なグラフ表現を生成する。 次に、階層的なラベル定義を持つグラフアテンション変換器を適用し、正確な線レベルセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-02T08:53:20Z)
• Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
  グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。 データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T08:26:20Z)
• LaneGraph2Seq: Lane Topology Extraction with Language Model via Vertex-Edge Encoding and Connectivity Enhancement [34.017743757153866]
  複雑な道路構造は、中心線曲線やDAG(Directed Acyclic Graph)を形成する接続を含むレーングラフを用いて描かれることが多い。 本稿では,レーングラフ抽出の新しいアプローチであるLaneGraph2Seqを紹介する。 本手法は,レーングラフ抽出における最先端技術と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-31T05:44:01Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
  本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。 具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。 提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
  論文  参考訳（メタデータ） (2020-10-27T15:12:21Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)

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。