論文の概要: DAMap: Distance-aware MapNet for High Quality HD Map Construction

• arxiv url: http://arxiv.org/abs/2510.22675v1
• Date: Sun, 26 Oct 2025 13:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.321281
• Title: DAMap: Distance-aware MapNet for High Quality HD Map Construction
• Title（参考訳）: DAMap: 高品質HDマップ構築のための距離対応MapNet
• Authors: Jinpeng Dong, Chen Li, Yutong Lin, Jingwen Fu, Sanping Zhou, Nanning Zheng,
• Abstract要約: 現在の手法は、固有のタスクのミスアライメントにより、高品質な予測が不十分である。 DAMapと呼ばれる新しいHDマップ構築手法を開発し,これらの問題に対処する。 DAMapは3つのコンポーネントで構成されている: 距離対応のFocal Loss (DAFL), Hybrid Loss Scheme (HLS), Task Modulated Deformable Attention (TMDA)。
• 参考スコア（独自算出の注目度）: 64.36189046749038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting High-definition (HD) map elements with high quality (high classification and localization scores) is crucial to the safety of autonomous driving vehicles. However, current methods perform poorly in high quality predictions due to inherent task misalignment. Two main factors are responsible for misalignment: 1) inappropriate task labels due to one-to-many matching queries sharing the same labels, and 2) sub-optimal task features due to task-shared sampling mechanism. In this paper, we reveal two inherent defects in current methods and develop a novel HD map construction method named DAMap to address these problems. Specifically, DAMap consists of three components: Distance-aware Focal Loss (DAFL), Hybrid Loss Scheme (HLS), and Task Modulated Deformable Attention (TMDA). The DAFL is introduced to assign appropriate classification labels for one-to-many matching samples. The TMDA is proposed to obtain discriminative task-specific features. Furthermore, the HLS is proposed to better utilize the advantages of the DAFL. We perform extensive experiments and consistently achieve performance improvement on the NuScenes and Argoverse2 benchmarks under different metrics, baselines, splits, backbones, and schedules. Code will be available at https://github.com/jpdong-xjtu/DAMap.
• Abstract（参考訳）: 高品質(高い分類とローカライゼーションスコア)のHDマップ要素の予測は、自動運転車の安全性に不可欠である。 しかし,現在の手法では,タスクのミスアライメントが原因で,高品質な予測が不十分である。 相違の原因は2つある。 1)同一のラベルを共有する一対多のマッチングクエリによる不適切なタスクラベル 2)タスク共有サンプリング機構による準最適タスク特徴 本稿では,現在の手法に固有の2つの欠陥を明らかにし,これらの問題に対処する新しいHDマップ構築手法であるDAMapを開発する。 具体的には、DAMapは、距離対応のFocal Loss(DAFL)、Hybrid Loss Scheme(HLS)、Task Modulated Deformable Attention(TMDA)の3つのコンポーネントで構成される。 DAFLは、一対多のマッチングサンプルに対して適切な分類ラベルを割り当てるために導入された。 The TMDA is proposed to obtain discriminative task-specific features。 さらに, DAFLの利点をより有効活用するために, HLSを提案する。 我々は大規模な実験を行い、異なるメトリクス、ベースライン、分割、バックボーン、スケジュールの下で、NuScenesとArgoverse2ベンチマークのパフォーマンスを継続的に改善します。 コードはhttps://github.com/jpdong-xjtu/DAMap.comから入手できる。

関連論文リスト

• Destination-to-Chutes Task Mapping Optimization for Multi-Robot Coordination in Robotic Sorting Systems [63.08747450107808]
  本研究では,ロボットソーティングシステムのスループット向上のために,タスクマッピングの宛先最適化について検討する。 現実世界のRSSの複雑さのため、高品質なタスクマッピングを見つけることは難しい。
  論文  参考訳（メタデータ） (2025-10-03T19:49:37Z)
• SDTagNet: Leveraging Text-Annotated Navigation Maps for Online HD Map Construction [5.115758893396755]
  高定義(HD)マップは、有望なソリューションを提供するが、その高いメンテナンスコストは、スケーラブルなデプロイメントに障壁をもたらす。 SDTagNetは,広く利用可能なSDマップの情報を完全に活用する初のオンラインHDマップ構築手法である。 Argoverse 2 と nuScenes の実験により、地図認識性能は +5.9 mAP まで向上することが示された。
  論文  参考訳（メタデータ） (2025-06-10T17:16:00Z)
• 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)
• ADMap: Anti-disturbance framework for reconstructing online vectorized HD map [9.218463154577616]
  本稿では, 反ゆらぎマップ再構築フレームワーク (ADMap) を提案する。 点次ジッタを緩和するため、このフレームワークは、マルチスケール知覚ネック、インスタンスインタラクティブアテンション(IIA)、ベクトル方向差損失(VDDL)の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-01-24T01:37:27Z)
• 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)
• HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
  HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。 実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。 高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
  論文  参考訳（メタデータ） (2021-06-28T17:59:30Z)
• DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
  我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。 グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。 2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
  論文  参考訳（メタデータ） (2020-12-22T21:58:57Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。