論文の概要: Learning Global Representation from Queries for Vectorized HD Map Construction

• arxiv url: http://arxiv.org/abs/2510.06969v1
• Date: Wed, 08 Oct 2025 12:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.496848
• Title: Learning Global Representation from Queries for Vectorized HD Map Construction
• Title（参考訳）: ベクトル化HDマップ構築のためのクエリからのグローバル表現の学習
• Authors: Shoumeng Qiu, Xinrun Li, Yang Long, Xiangyang Xue, Varun Ojha, Jian Pu,
• Abstract要約: 我々は、textbfMapGR (textbfGlobal textbfRepresentation Learning for HD textbfMap construction)を提案する。 Global Representation Learning (GRL)モジュールは、グローバルマップとの整合性を高めるために、すべてのクエリの分散を促進する。 Global Representation Guidance(GRG)モジュールは、各クエリに対して、その最適化を容易にするために、明示的なグローバルレベルのコンテキスト情報を提供する。
• 参考スコア（独自算出の注目度）: 37.400007014018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The online construction of vectorized high-definition (HD) maps is a cornerstone of modern autonomous driving systems. State-of-the-art approaches, particularly those based on the DETR framework, formulate this as an instance detection problem. However, their reliance on independent, learnable object queries results in a predominantly local query perspective, neglecting the inherent global representation within HD maps. In this work, we propose \textbf{MapGR} (\textbf{G}lobal \textbf{R}epresentation learning for HD \textbf{Map} construction), an architecture designed to learn and utilize a global representations from queries. Our method introduces two synergistic modules: a Global Representation Learning (GRL) module, which encourages the distribution of all queries to better align with the global map through a carefully designed holistic segmentation task, and a Global Representation Guidance (GRG) module, which endows each individual query with explicit, global-level contextual information to facilitate its optimization. Evaluations on the nuScenes and Argoverse2 datasets validate the efficacy of our approach, demonstrating substantial improvements in mean Average Precision (mAP) compared to leading baselines.
• Abstract（参考訳）: ベクトル化ハイデフィニション(HD)マップのオンライン構築は、現代の自律運転システムの基盤となっている。 最先端のアプローチ、特にDETRフレームワークに基づくアプローチは、これをインスタンス検出問題として定式化します。 しかし、独立して学習可能なオブジェクトクエリへの依存は、主に局所的なクエリの観点をもたらし、HDマップに固有のグローバル表現を無視します。 本稿では, クエリからグローバル表現を学習し, 活用するためのアーキテクチャである, HD 構築のための textbf{MapGR} (\textbf{G}lobal \textbf{R}epresentation Learning) を提案する。 本手法では,グローバル表現学習(GRL)モジュールと,その最適化を容易にするために各クエリにグローバルレベルのコンテキスト情報を付与するグローバル表現誘導(GRG)モジュールの2つの相乗的モジュールを導入する。 nuScenes と Argoverse2 のデータセットによる評価により,提案手法の有効性が検証され,平均精度 (mAP) が先行するベースラインと比較して有意に向上した。

関連論文リスト

• Bridging the Gap Between Sparsity and Redundancy: A Dual-Decoding Framework with Global Context for Map Inference [1.6891753537675143]
  我々は,グローバルなコンテキスト認識を備えたデュアルデコードフレームワークであるDGMapを提案する。 グローバルな意味コンテキストと局所幾何学的特徴を統合することで、DGMapはキーポイント検出精度を向上させる。 Global Context-Aware Relation Prediction Moduleは、高密度軌道領域における偽接続を抑制する。
  論文  参考訳（メタデータ） (2025-09-15T09:31:38Z)
• Bilateral Reference for High-Resolution Dichotomous Image Segmentation [109.35828258964557]
  高分解能ジコトコス像分割(DIS)のための新しい両側参照フレームワーク(BiRefNet)を導入する。 それは2つの重要な構成要素から構成される: 局在モジュール (LM) と再構成モジュール (RM) と、提案した両側参照 (BiRef) である。 RM内では、画像の階層的パッチがソース参照を提供し、勾配マップがターゲット参照として機能する、再構成プロセスにBiRefを利用する。
  論文  参考訳（メタデータ） (2024-01-07T07:56:47Z)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)
• Double Graphs Regularized Multi-view Subspace Clustering [15.52467509308717]
  本稿では,新しいDouble Graphs Regularized Multi-view Subspace Clustering (DGRMSC)法を提案する。 マルチビューデータのグローバルな構造情報とローカルな構造情報の両方を統一されたフレームワークで活用することを目的としている。
  論文  参考訳（メタデータ） (2022-09-30T00:16:42Z)
• Grounding Visual Representations with Texts for Domain Generalization [9.554646174100123]
  相互モダリティの監督は、ドメイン不変の視覚表現の接地に成功することができる。 提案手法は,5つのマルチドメインデータセットの平均性能を1位に評価する。
  論文  参考訳（メタデータ） (2022-07-21T03:43:38Z)
• Omni-Granular Ego-Semantic Propagation for Self-Supervised Graph Representation Learning [6.128446481571702]
  下流ノードとグラフレベルの分類タスクでは,教師なし/自己教師付きグラフ表現学習が重要である。 インスタンス適応型グローバル・アウェア・エゴ・セマンティック・ディスクリプタを提案する。 ディスクリプタは、ローカルグラフの畳み込みに、新しい隣接ノードとして明示的に統合することができる。
  論文  参考訳（メタデータ） (2022-05-31T12:31:33Z)
• Fully Self-Supervised Learning for Semantic Segmentation [46.6602159197283]
  セマンティックセグメンテーション(FS4)のための完全自己教師型フレームワークを提案する。 自己スーパービジョンのためのグローバルなセマンティック知識をフル活用したセマンティックセマンティックセマンティクスのためのブートストラップ付きトレーニングスキームを提案する。 大規模COCO-Stuffデータセットを用いて本手法の評価を行い,対象物と対象物の両方において7.19mIoUの改善を実現した。
  論文  参考訳（メタデータ） (2022-02-24T09:38:22Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)

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。