スケーラブル マップ: オンライン長距離ベクトル化 HD マップ構築のためのスケーラブル マップ学習
次のリンクをクリックして論文をお読みください: https://arxiv.org/pdf/2310.13378.pdf
コードリンク: https://github.com/jingy1yu/ScalableMap
著者のユニットは武漢大学です
論文のアイデア:
この論文では、車載カメラ センサーを使用してオンラインの長距離ベクトル化高精度 (HD) マップを構築するための新しいエンドツーエンド プロセスを提案します。高精度マップのベクトル化表現では、ポリラインとポリゴンを使用してマップ フィーチャを表現します。これらは下流のタスクで広く使用されています。ただし、動的ターゲット検出を参照して設計された以前のソリューションでは、線形マップ要素内の構造的制約が無視されていたため、長距離シーンでのパフォーマンス低下が生じていました。この記事では、マップ フィーチャの属性を使用して、マップ構築のパフォーマンスを向上させます。この論文では、線形構造の指導の下でより正確な鳥瞰図 (BEV) 特徴を抽出し、ベクトル化されたグラフ要素のスケーラビリティをさらに活用するための階層的スパース グラフ表現を提案し、この表現に基づいてプログレッシブ デコード メカニズムを設計します。 。この記事のメソッド ScalableMap は、nuScenes データセット上で、特に長距離シーンで優れたパフォーマンスを示しています。以前の最先端モデルと比較して、6.5 mAP 向上し、18.3 FPS
#Main貢献:
(i) この記事では、初のエンドツーエンドの長距離ベクトル マップ構築パイプラインである ScalableMap を提案します。この論文では、マッピング要素の構造的特徴を利用してより正確な BEV 特徴を抽出し、スケーラブルなベクトル化要素に基づく HSMR を提案し、それに応じてプログレッシブ デコーダと監視戦略を設計します。これらすべてにより、優れた長距離地図認識が実現します。
この研究では、広範な実験評価を通じて、nuScenes データセット [17] での ScalableMap のパフォーマンスをテストしました。この研究手法は、長距離高精度地図学習において最先端の結果を達成し、既存のマルチモーダル手法より 6.5 mAP 向上し、1 秒あたり 18.3 フレームの速度を達成しました。ネットワーク設計 :
この記事の目標は、ベクトル化されたマップ要素の構造特性を活用して、長距離にわたってマップ要素を正確に検出するという課題に対処することです。まず、本論文は、2つの分岐を通じて位置認識BEV特徴とインスタンス認識BEV特徴をそれぞれ抽出し、線形構造の指導の下でそれらを融合してハイブリッドBEV特徴を取得する。次に、この論文は、疎であるが正確な方法でマップ要素を抽象化するための階層的疎マップ表現 (HSMR) を提案します。この表現を DETR [16] によって提案されたカスケード復号層と統合して、この論文は、ベクトル化されたマッピング要素のスケーラビリティと推論精度を向上させるプログレッシブ監視戦略を活用することによって、構造化情報の制約を強化するプログレッシブ デコーダを設計します。この記事のソリューションである ScalableMap は、マップのサンプリング密度を動的に高めてさまざまな縮尺で推論結果を取得するため、この記事はより正確なマップ情報をより迅速に取得できるようになります。
次の書き換えられた内容を参照してください。
図 1: ScalableMap の概要。
(a) 構造誘導型ハイブリッド BEV 特徴抽出器。
(b) 階層的スパース マップ表現とプログレッシブ デコーダ。
(c) 漸進的な監視
#図 2: 漸進的なポリライン損失の視覚化。 #########実験結果: ##################################### #
元の意味を変えずに内容を書き直すには、元のテキストを中国語に書き直す必要があります
Yu, J.、Zhang, Z.、Xia、S.、Sang, J. (2023)。 ScalableMap: オンラインの長距離ベクトル化 HD マップ構築のためのスケーラブルなマップ学習。 ArXiv。 /abs/2310.13378
書き換える内容は、元の意味を変えずに書き換えます。書き換え言語は中国語です。元の文は不要です。
以上がScalableMap: オンラインで長距離ベクトル化された高精度地図構築のためのスケーラブルな地図学習の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。