論文の概要: Beyond Endpoints: Path-Centric Reasoning for Vectorized Off-Road Network Extraction

• arxiv url: http://arxiv.org/abs/2512.10416v1
• Date: Thu, 11 Dec 2025 08:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.279753
• Title: Beyond Endpoints: Path-Centric Reasoning for Vectorized Off-Road Network Extraction
• Title（参考訳）: エンドポイントを超えて: ベクトル化されたオフロードネットワーク抽出のためのパス中心推論
• Authors: Wenfei Guan, Jilin Mei, Tong Shen, Xumin Wu, Shuo Wang, Cheng Min, Yu Hu,
• Abstract要約: 我々は,パス中心のフレームワークであるMaGRoadを紹介した。 MaGRoadは、挑戦的なWildRoadベンチマークで最先端のパフォーマンスを達成し、都市データセットに最適化します。 合理化パイプラインも約2.5倍高速な推論を実現し、実用的な適用性を向上させる。
• 参考スコア（独自算出の注目度）: 9.833728353188132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has advanced vectorized road extraction in urban settings, yet off-road environments remain underexplored and challenging. A significant domain gap causes advanced models to fail in wild terrains due to two key issues: lack of large-scale vectorized datasets and structural weakness in prevailing methods. Models such as SAM-Road employ a node-centric paradigm that reasons at sparse endpoints, making them fragile to occlusions and ambiguous junctions in off-road scenes, leading to topological errors.This work addresses these limitations in two complementary ways. First, we release WildRoad, a gloabal off-road road network dataset constructed efficiently with a dedicated interactive annotation tool tailored for road-network labeling. Second, we introduce MaGRoad (Mask-aware Geodesic Road network extractor), a path-centric framework that aggregates multi-scale visual evidence along candidate paths to infer connectivity robustly.Extensive experiments show that MaGRoad achieves state-of-the-art performance on our challenging WildRoad benchmark while generalizing well to urban datasets. A streamlined pipeline also yields roughly 2.5x faster inference, improving practical applicability. Together, the dataset and path-centric paradigm provide a stronger foundation for mapping roads in the wild.
• Abstract（参考訳）: 深層学習は、都市環境でのベクトル化道路抽出を進歩させてきたが、オフロード環境は未探索で困難なままである。 重要なドメインギャップは、大規模なベクトル化データセットの欠如と一般的な手法の構造的弱点という2つの主要な問題により、先進的なモデルが野生の地形で失敗する原因となる。 SAM-Roadのようなモデルでは、ノード中心のパラダイムが採用されており、スパースエンドポイントが原因で、オフロードシーンにおける閉塞やあいまいなジャンクションが脆弱になり、トポロジ的エラーが発生する。 まず、道路ネットワークラベリングに適した対話型アノテーションツールを用いて、効率的に構築されたグラビアオフロードロードネットワークデータセットであるWildRoadをリリースする。 第2に,MaGRoad (Mask-aware Geodesic Road Network extractor) というパス中心のフレームワークを導入する。MaGRoadは,都市データセットを一般化しながら,挑戦的なWildRoadベンチマーク上で最先端のパフォーマンスを達成できることを示す。 合理化パイプラインも約2.5倍高速な推論を実現し、実用的な適用性を向上させる。 データセットとパス中心のパラダイムを合わせて、野生の道路をマッピングする上で、より強力な基盤を提供します。

関連論文リスト

• Holistically-Nested Structure-Aware Graph Neural Network for Road Extraction [6.537257686406911]
  本稿では,道路領域と道路境界の両方を同時に検出する新しいグラフニューラルネットワーク(GNN)を提案する。 挑戦的データセットの実験により,提案手法が道路境界のデライン化と道路抽出精度を向上させることを示す。
  論文  参考訳（メタデータ） (2024-07-02T20:11:09Z)
• Translating Images to Road Network: A Sequence-to-Sequence Perspective [30.616209208000097]
  道路網は高精細地図の生成に不可欠である。 既存のメソッドは、2つのタイプのデータドメインを効果的にマージするのに苦労しています。 我々は、ユークリッドデータと非ユークリッドデータの両方をRoadNet Sequenceと呼ばれる整数列に投影することで、両方のデータ領域の統一表現を提案する。
  論文  参考訳（メタデータ） (2024-02-13T04:12:41Z)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• 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)
• PaRK-Detect: Towards Efficient Multi-Task Satellite Imagery Road Extraction via Patch-Wise Keypoints Detection [12.145321599949236]
  我々は、マルチタスク衛星画像道路抽出のための新しい手法、パッチワイド道路キーポイント検出(PaRK-Detect)を提案する。 筆者らのフレームワークは,パッチワイド道路キーポイントの位置と,それら間の近接関係を予測し,道路グラフを単一パスで構築する。 我々は,DeepGlobe, Massachusetts Roads, RoadTracerの既存の最先端手法に対するアプローチを評価し,競争力やより良い結果を得る。
  論文  参考訳（メタデータ） (2023-02-26T08:26:26Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)

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。