ScalableMap: 온라인 장거리 벡터화 고정밀 지도 구축을 위한 확장 가능한 지도 학습-일체 포함-php.cn

ScalableMap: 온라인 장거리 벡터화 고정밀 지도 구축을 위한 확장 가능한 지도 학습

WBOY

풀어 주다： 2023-10-31 11:13:06

앞으로

1255명이 탐색했습니다.

확장 가능한 지도: 온라인 장거리 벡터화 HD 지도 구축을 위한 확장 가능한 지도 학습

논문을 읽으려면 다음 링크를 클릭하세요: https://arxiv.org/pdf/2310.13378.pdf

코드 링크: https:/ / github.com/jingy1yu/ScalableMap

저자는 우한대학교 출신입니다

ScalableMap: 온라인 장거리 벡터화 고정밀 지도 구축을 위한 확장 가능한 지도 학습

논문 아이디어:

이 논문은 차량 카메라 센서를 사용하여 온라인 장거리 벡터를 구성하는 새로운 엔드투엔드 프로세스를 제안합니다. -정의(HD) 지도. 고정밀 지도의 벡터화된 표현은 폴리라인과 폴리곤을 사용하여 다운스트림 작업에서 널리 사용되는 지도 기능을 나타냅니다. 그러나 동적 표적 탐지를 참조하여 설계된 이전 솔루션은 선형 맵 요소 내의 구조적 제약을 무시하여 장거리 장면에서 성능 저하를 초래했습니다. 이 문서에서는 지도 기능의 속성을 사용하여 지도 구성 성능을 향상합니다. 본 논문에서는 선형 구조의 안내에 따라 보다 정확한 BEV(조감도) 특징을 추출한 다음 벡터화된 그래프 요소의 확장성을 더욱 활용하기 위한 계층적 희소 그래프 표현을 제안하고 이 표현을 기반으로 하는 점진적인 디코딩 메커니즘을 설계합니다. . 이 기사의 방법 ScalableMap은 nuScenes 데이터세트에서 특히 장거리 장면에서 탁월한 성능을 보여주었습니다. 이전 최첨단 모델과 비교하여 6.5 mAP가 향상되고 18.3

주요 기여:

(i) 이 기사에서는 최초의 엔드투엔드 장거리 벡터 지도 구축 파이프라인인 ScalableMap을 제안합니다. 본 논문에서는 보다 정확한 BEV 특징을 추출하기 위해 매핑 요소의 구조적 특성을 활용하고, 확장 가능한 벡터화된 요소를 기반으로 한 HSMR을 제안하고 이에 따른 프로그레시브 디코더 및 감독 전략을 설계합니다. 이 모든 것이 탁월한 장거리 지도 인식을 가능하게 합니다.

광범위한 실험 평가를 통해 이 연구에서는 nuScenes 데이터세트[17]에서 ScalableMap의 성능을 테스트했습니다. 연구 방법은 장거리 고정밀 지도 학습에서 최첨단 결과를 달성하여 기존 다중 모달 방법보다 6.5mAP를 향상시키면서 초당 18.3프레임의 속도에 도달했습니다.

네트워크 설계:

이것은 기사 목표는 벡터화된 지도 요소의 구조적 특성을 활용하여 더 먼 거리에서 지도 요소를 정확하게 감지하는 문제를 해결하는 것입니다. 먼저, 본 논문에서는 위치 인식 BEV 특징과 인스턴스 인식 BEV 특징을 각각 두 개의 분기를 통해 추출하고 이를 선형 구조의 안내 하에 융합하여 하이브리드 BEV 특징을 획득한다. 다음으로, 본 논문에서는 희소하지만 정확한 방식으로 맵 요소를 추상화하는 계층적 희소 맵 표현(HSMR)을 제안합니다. 이 표현을 DETR[16]이 제안한 계단식 디코딩 계층과 통합하여 이 논문은 벡터화된 매핑 요소의 확장성과 추론 정확도를 향상시키는 점진적 감독 전략을 활용하여 구조화된 정보의 제약을 강화하는 점진적 디코더를 설계합니다. 이 기사의 솔루션인 ScalableMap은 지도의 샘플링 밀도를 동적으로 증가시켜 다양한 축척에서 추론 결과를 얻습니다. 이를 통해 이 기사에서는 보다 정확한 지도 정보를 더 빠르게 얻을 수 있습니다.

ScalableMap: 온라인 장거리 벡터화 고정밀 지도 구축을 위한 확장 가능한 지도 학습