論文の概要: PrevPredMap: Exploring Temporal Modeling with Previous Predictions for Online Vectorized HD Map Construction

• arxiv url: http://arxiv.org/abs/2407.17378v1
• Date: Wed, 24 Jul 2024 15:58:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 13:15:22.836132
• Title: PrevPredMap: Exploring Temporal Modeling with Previous Predictions for Online Vectorized HD Map Construction
• Title（参考訳）: PrevPredMap: オンラインベクトル化HDマップ構築のための事前予測を用いた時間モデル探索
• Authors: Nan Peng, Xun Zhou, Mingming Wang, Xiaojun Yang, Songming Chen, Guisong Chen,
• Abstract要約: PrevPredMapは、オンラインベクトル化HDマップの構築に以前の予測を活用する、時間的モデリングの先駆的なフレームワークである。 このフレームワークはnuScenesとArgoverse2データセットの最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 9.32290307534907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal information is crucial for detecting occluded instances. Existing temporal representations have progressed from BEV or PV features to more compact query features. Compared to these aforementioned features, predictions offer the highest level of abstraction, providing explicit information. In the context of online vectorized HD map construction, this unique characteristic of predictions is potentially advantageous for long-term temporal modeling and the integration of map priors. This paper introduces PrevPredMap, a pioneering temporal modeling framework that leverages previous predictions for constructing online vectorized HD maps. We have meticulously crafted two essential modules for PrevPredMap: the previous-predictions-based query generator and the dynamic-position-query decoder. Specifically, the previous-predictions-based query generator is designed to separately encode different types of information from previous predictions, which are then effectively utilized by the dynamic-position-query decoder to generate current predictions. Furthermore, we have developed a dual-mode strategy to ensure PrevPredMap's robust performance across both single-frame and temporal modes. Extensive experiments demonstrate that PrevPredMap achieves state-of-the-art performance on the nuScenes and Argoverse2 datasets. Code will be available at https://github.com/pnnnnnnn/PrevPredMap.
• Abstract（参考訳）: 閉鎖されたインスタンスを検出するには、時間情報は不可欠である。 既存の時間表現は、BEVやPVの機能から、よりコンパクトなクエリ機能へと進歩した。 これらの特徴と比較すると、予測は最も抽象的なレベルを提供し、明示的な情報を提供する。 オンラインベクトル化HDマップ構築の文脈において、この予測のユニークな特徴は、長期の時間的モデリングとマップ事前の統合にとって潜在的に有利である。 本稿では,オンラインベクトル化HDマップの構築に先駆けて,従来の予測を利用した時間的モデリングフレームワークであるPrevPredMapを紹介する。 PrevPredMapには,事前予測ベースのクエリジェネレータと動的ポジションクエリデコーダという,2つの重要なモジュールを慎重に開発しました。 具体的には、事前予測に基づくクエリジェネレータは、以前の予測と異なる種類の情報を別々にエンコードするように設計され、動的配置クエリデコーダによって有効に利用され、現在の予測を生成する。 さらに、シングルフレームモードとテンポラリモードの両方で、PrevPredMapの堅牢なパフォーマンスを保証するために、デュアルモード戦略を開発しました。 PrevPredMapはnuScenesとArgoverse2データセット上で最先端のパフォーマンスを実現する。 コードはhttps://github.com/pnnnnnn/PrevPredMapで入手できる。

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)
• Map-Free Trajectory Prediction with Map Distillation and Hierarchical Encoding [8.857237929151795]
  MFTPはMap-Free Trajectory Prediction法であり、いくつかの利点がある。 まず、推論中のHDマップの必要性を排除し、知識蒸留によるトレーニング中のマップ事前の恩恵を享受する。 第二に、空間的時間的エージェントの特徴を効果的に抽出し、それらを複数のトラジェクトリクエリに集約する新しい階層エンコーダを提案する。
  論文  参考訳（メタデータ） (2024-11-17T04:50:44Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Driving with Prior Maps: Unified Vector Prior Encoding for Autonomous Vehicle Mapping [18.97422977086127]
  高精細マップ(HDマップ)は、自動運転車の正確なナビゲーションと意思決定に不可欠である。 オンボードセンサーを用いたHDマップのオンライン構築が,有望なソリューションとして浮上している。 本稿では,事前マップのパワーを活用して,これらの制約に対処するPresidedDriveフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-09T06:17:46Z)
• PriorMapNet: Enhancing Online Vectorized HD Map Construction with Priors [15.475364300374403]
  先行データを用いたオンラインベクトル化HDマップ構築を強化するために,PreferMapNetを導入する。 提案したPreferMapNetは,nuScenesおよびArgoverse2データセット上でのオンラインベクトル化HDマップ構築タスクにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-08-16T15:26:23Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• PivotNet: Vectorized Pivot Learning for End-to-end HD Map Construction [10.936405710245625]
  我々は、ピボットベースの地図表現を統一したPivotNetという、シンプルで効果的なアーキテクチャを提案する。 PivotNet は他の SOTA よりも5.9 mAP の方がはるかに優れている。
  論文  参考訳（メタデータ） (2023-08-31T05:43:46Z)
• 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)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。