論文の概要: Reusing Attention for One-stage Lane Topology Understanding

• arxiv url: http://arxiv.org/abs/2507.17617v1
• Date: Wed, 23 Jul 2025 15:48:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:15.068655
• Title: Reusing Attention for One-stage Lane Topology Understanding
• Title（参考訳）: ワンステージレーントポロジー理解のためのリユース注意
• Authors: Yang Li, Zongzheng Zhang, Xuchong Qiu, Xinrun Li, Ziming Liu, Leichen Wang, Ruikai Li, Zhenxin Zhu, Huan-ang Gao, Xiaojian Lin, Zhiyong Cui, Hang Zhao, Hao Zhao,
• Abstract要約: 本稿では,交通要素,車線中心線,トポロジの関係を同時に予測するワンステージアーキテクチャを提案する。 私たちの重要なイノベーションは、トランスフォーマーデコーダ内の中間的注意資源を再利用することにあります。 提案手法は精度と効率の両方でベースライン法より優れている。
• 参考スコア（独自算出の注目度）: 32.464423838732635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding lane toplogy relationships accurately is critical for safe autonomous driving. However, existing two-stage methods suffer from inefficiencies due to error propagations and increased computational overheads. To address these challenges, we propose a one-stage architecture that simultaneously predicts traffic elements, lane centerlines and topology relationship, improving both the accuracy and inference speed of lane topology understanding for autonomous driving. Our key innovation lies in reusing intermediate attention resources within distinct transformer decoders. This approach effectively leverages the inherent relational knowledge within the element detection module to enable the modeling of topology relationships among traffic elements and lanes without requiring additional computationally expensive graph networks. Furthermore, we are the first to demonstrate that knowledge can be distilled from models that utilize standard definition (SD) maps to those operates without using SD maps, enabling superior performance even in the absence of SD maps. Extensive experiments on the OpenLane-V2 dataset show that our approach outperforms baseline methods in both accuracy and efficiency, achieving superior results in lane detection, traffic element identification, and topology reasoning. Our code is available at https://github.com/Yang-Li-2000/one-stage.git.
• Abstract（参考訳）: 車線トポロジーの関係を正確に理解することは安全な自動運転に不可欠である。 しかし、既存の2段階の手法は、エラーの伝播と計算オーバーヘッドの増加による非効率性に悩まされている。 これらの課題に対処するため,交通要素,車線中心線,トポロジの関係を同時に予測し,車線トポロジ理解の精度と推論速度を改善する一段階アーキテクチャを提案する。 私たちの重要なイノベーションは、トランスフォーマーデコーダ内の中間的注意資源を再利用することにあります。 このアプローチは、要素検出モジュール内の固有リレーショナル知識を効果的に活用し、計算コストのかかるグラフネットワークを必要とせずに、交通要素と車線間のトポロジー関係のモデリングを可能にする。 さらに,SDマップを使わずに,標準定義(SD)マップを運用するモデルから知識を抽出し,SDマップがない場合でも優れた性能が得られることを示す。 OpenLane-V2データセットの大規模な実験により,提案手法は精度と効率の両方でベースライン手法より優れており,車線検出,交通要素同定,トポロジ推論において優れた結果が得られた。 私たちのコードはhttps://github.com/Yang-Li-2000/one-stage.gitで利用可能です。

関連論文リスト

• TopoStreamer: Temporal Lane Segment Topology Reasoning in Autonomous Driving [52.25176274203747]
  TopoStreamerは、レーンセグメントトポロジー推論のためのエンドツーエンドの時間知覚モデルである。 TopoStreamerは、ストリーミング属性制約、動的レーン境界位置エンコーディング、およびレーンセグメントのデノイングという3つの重要な改善点を紹介している。 Open-Lane-V2データセットでは、TopoStreamerが最先端のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-07-01T12:10:46Z)
• RelTopo: Enhancing Relational Modeling for Driving Scene Topology Reasoning [55.21557415676928]
  道路トポロジー推論は自動運転にとって重要であり、効率的なナビゲーションと交通規制の遵守を可能にする。 既存の手法は通常、レーン検出またはレーン・トゥ・レーン(L2L)のトポロジー推論(英語版)に重点を置いており、しばしばこれらのタスクを共同で最適化するためにレーン・トゥ・トラッフィック・エレメント(L2T)の関係をテキスト化している。 人間は自然に道路要素認識と接続性推論の文脈的関係を利用するので、リレーショナルモデリングは知覚と推論の両方に有益であると主張する。
  論文  参考訳（メタデータ） (2025-06-16T14:40:28Z)
• SMART: Advancing Scalable Map Priors for Driving Topology Reasoning [24.614973933683352]
  トポロジー推論は、車線と交通要素間の接続と関係の包括的理解を可能にするため、自動運転にとって不可欠である。 近年,車両搭載センサを用いた運転トポロジの知覚に成功している。 スケーラブルな車線知覚とトポロジー推論の鍵となる要素は、このセンサ依存的特徴の排除である。
  論文  参考訳（メタデータ） (2025-02-06T18:59:57Z)
• Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
  車線検出は自律運転認識システムにおいて重要な役割を果たす。 ディープラーニングアルゴリズムが普及するにつれて、それらに基づく単眼車線検出法は優れた性能を示した。 本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
  論文  参考訳（メタデータ） (2024-11-25T12:09:43Z)
• 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)
• Attention-based U-Net Method for Autonomous Lane Detection [0.5461938536945723]
  本研究では,ディープラーニングに基づく2つのレーン認識手法を提案する。 最初の方法はFPN(Feature Pyramid Network)モデルを用いており、道路車線検出の精度は87.59%である。 注意層をU-Netモデルに組み込んだ第2の手法はセマンティックセグメンテーションタスクの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-11-16T22:20:11Z)
• Cross Dataset Analysis and Network Architecture Repair for Autonomous Car Lane Detection [5.428120316375907]
  自動運転車の車線検出アプリケーションにおいて,クロスデータセット解析とネットワークアーキテクチャの修復を行った。 ERFCondLaneNetは、複雑なトポロジを持つ車線検出の難しさを解決するために車線識別フレームワークとして使用されるCondlaneNetの拡張である。
  論文  参考訳（メタデータ） (2024-09-10T20:27:49Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• Penalty-Based Imitation Learning With Cross Semantics Generation Sensor Fusion for Autonomous Driving [1.2749527861829049]
  本稿では,複数の情報モダリティを統合するために,ペナルティに基づく模倣学習手法を提案する。 最新技術(SOTA)モデルであるInterFuserと比較して,運転スコアが12%以上増加していることが観察された。 本モデルでは, 推論速度を7倍に向上し, モデルサイズを約30%削減しながら, この性能向上を実現している。
  論文  参考訳（メタデータ） (2023-03-21T14:29:52Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)

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。