論文の概要: SeqGrowGraph: Learning Lane Topology as a Chain of Graph Expansions

• arxiv url: http://arxiv.org/abs/2507.04822v1
• Date: Mon, 07 Jul 2025 09:42:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.362653
• Title: SeqGrowGraph: Learning Lane Topology as a Chain of Graph Expansions
• Title（参考訳）: SeqGrowGraph: グラフ拡張の連鎖としてレーントポロジを学ぶ
• Authors: Mengwei Xie, Shuang Zeng, Xinyuan Chang, Xinran Liu, Zheng Pan, Mu Xu, Xing Wei,
• Abstract要約: 本稿では,グラフ拡張の連鎖としてレーントポロジを学習する新しいフレームワークであるSeqGrowGraphを紹介する。 nuScenesとArgoverse 2のデータセットで評価する。
• 参考スコア（独自算出の注目度）: 17.302926840794193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate lane topology is essential for autonomous driving, yet traditional methods struggle to model the complex, non-linear structures-such as loops and bidirectional lanes-prevalent in real-world road structure. We present SeqGrowGraph, a novel framework that learns lane topology as a chain of graph expansions, inspired by human map-drawing processes. Representing the lane graph as a directed graph $G=(V,E)$, with intersections ($V$) and centerlines ($E$), SeqGrowGraph incrementally constructs this graph by introducing one vertex at a time. At each step, an adjacency matrix ($A$) expands from $n \times n$ to $(n+1) \times (n+1)$ to encode connectivity, while a geometric matrix ($M$) captures centerline shapes as quadratic B\'ezier curves. The graph is serialized into sequences, enabling a transformer model to autoregressively predict the chain of expansions, guided by a depth-first search ordering. Evaluated on nuScenes and Argoverse 2 datasets, SeqGrowGraph achieves state-of-the-art performance.
• Abstract（参考訳）: 正確なレーントポロジーは自律走行には不可欠であるが、従来の手法では、ループや双方向レーンが現実の道路構造に相応しいような複雑な非線形構造をモデル化するのに苦労している。 グラフ展開の連鎖としてレーントポロジを学習する新しいフレームワークであるSeqGrowGraphについて紹介する。 レーングラフを有向グラフ $G=(V,E)$ として表現し、交点 ($V$) と中心線 ($E$) を持ち、SeqGrowGraph は一度に1つの頂点を導入することで、このグラフを漸進的に構築する。 各ステップにおいて、隣接行列(A$)は、接続を符号化するために$n \times n$から$(n+1) \times (n+1)$に拡張され、幾何学行列(M$)は二次的B\ezier曲線として中心線形状をキャプチャする。 グラフはシーケンスにシリアライズされ、デプスファーストの探索順序で導かれる拡張の連鎖を自動回帰予測することができる。 nuScenesとArgoverse 2データセットに基づいて、SeqGrowGraphは最先端のパフォーマンスを達成する。

関連論文リスト

• A Graph is Worth $K$ Words: Euclideanizing Graph using Pure Transformer [47.25114679486907]
  我々は、非ユークリッドグラフを学習可能なグラフワードに変換するGraph2Seqエンコーダを特徴とするGraphsGPTを紹介する。 GraphGPTデコーダは、元のグラフをGraph Wordsから再構成し、情報等価性を保証する。
  論文  参考訳（メタデータ） (2024-02-04T12:29:40Z)
• 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)
• Finding the Missing-half: Graph Complementary Learning for Homophily-prone and Heterophily-prone Graphs [48.79929516665371]
  ホモフィリーなエッジを持つグラフは、同じクラスでノードを接続する傾向がある。 ヘテロフィ的傾向のあるエッジは、異なるクラスを持つノード間の関係を構築する傾向がある。 既存のGNNはトレーニング中にオリジナルのグラフのみを取る。
  論文  参考訳（メタデータ） (2023-06-13T08:06:10Z)
• Graph Generation with $K^2$-trees [13.281380233427287]
  K2$-tree表現を利用した新しいグラフ生成手法を提案する。 また、プルーニング、フラットニング、トークン化プロセスを組み込んだシーケンシャルな$K2$-treerepresentationを提示する。 グラフ生成の優位性を確認するため,本アルゴリズムを4つの一般および2つの分子グラフデータセット上で広範囲に評価した。
  論文  参考訳（メタデータ） (2023-05-30T15:36:37Z)
• G-Mixup: Graph Data Augmentation for Graph Classification [55.63157775049443]
  Mixupは、2つのランダムサンプル間の特徴とラベルを補間することにより、ニューラルネットワークの一般化とロバスト性を改善する上で優位性を示している。 グラフ分類のためのグラフを増補するために$mathcalG$-Mixupを提案し、グラフの異なるクラスのジェネレータ(すなわちグラフ)を補間する。 実験により、$mathcalG$-MixupはGNNの一般化とロバスト性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2022-02-15T04:09:44Z)
• AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph Convolution [79.44066256794187]
  我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。 アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。 理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
  論文  参考訳（メタデータ） (2021-11-12T07:08:13Z)
• Scalable Deep Generative Modeling for Sparse Graphs [105.60961114312686]
  既存のディープニューラルネットワーク手法では、隣接行列を構築することで、$Omega(n2)$複雑さを必要とする。 我々は,この空間を利用して完全隣接行列を生成する新しい自己回帰モデルBiGGを開発した。 トレーニング中、この自己回帰モデルは$O(log n)$同期ステージで並列化できる。
  論文  参考訳（メタデータ） (2020-06-28T04:37:57Z)
• Learning Deep Graph Representations via Convolutional Neural Networks [7.1945109570193795]
  本稿では,グラフ特徴写像の深部表現を学習するためのDeepMapというフレームワークを提案する。 グラフの学習された深部表現は、複雑な高次相互作用をキャプチャする密度で低次元のベクトルである。 我々は、様々なグラフ分類ベンチマークでDeepMapを実証的に検証し、最先端のパフォーマンスを実現することを実証した。
  論文  参考訳（メタデータ） (2020-04-05T08:49:27Z)

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。