可擴展地圖：用於在線長距離向量化高清地圖構建的可擴展地圖學習
請點擊以下鏈接閱讀論文：https://arxiv.org/pdf/2310.13378.pdf
程式碼連結：https://github.com/jingy1yu/ScalableMap
作者單位為武漢大學
#論文想法：
本文提出了一種新穎的端到端流程，用於使用車載攝影機感測器建立線上遠距離向量化高精度（HD）地圖。高精度地圖的向量化表示使用折線和多邊形來表示地圖要素，這些要素被下游任務廣泛使用。然而，先前參考動態目標偵測設計的方案忽略了線性地圖要素內部的結構約束，導致遠距離場景中的效能下降。本文利用地圖要素的屬性來提升地圖建構的效能。本文在線性結構的指導下提取更準確的鳥瞰圖（BEV）特徵，然後提出一種分層稀疏圖表示，以進一步利用向量化圖要素的可擴展性，並基於該表示設計漸進式解碼機制和監督策略。本文的方法ScalableMap在nuScenes資料集上展示了卓越的性能，尤其是在遠距離場景中，相比之前最先進的模型提高了6.5的mAP，同時實現了18.3的FPS
主要貢獻：
(i) 本文提出了ScalableMap，第一個端對端遠距離向量化地圖建構pipeline 。本文利用映射元素的結構特性來提取更準確的 BEV 特徵，提出基於可擴展向量化元素的 HSMR，並相應地設計漸進式解碼器和監督策略。所有這些都帶來了卓越的遠距離地圖感知。
透過大量實驗評估，本研究在 nuScenes 資料集 [17] 上測試了 ScalableMap 的效能。研究方法取得了遠距離高精地圖學習方面的最先進結果，比現有的多模態方法提高了6.5個mAP，同時達到了18.3幀每秒的速度
網絡設計：
本文的目標是利用向量化地圖元素的結構特性來解決在較長距離內準確偵測地圖元素的挑戰。首先，本文分別透過兩個分支提取位置感知的 BEV 特徵和實例感知的 BEV 特徵，並在線性結構的指導下融合它們，得到混合 BEV 特徵。接下來，本文提出了一種分層稀疏地圖表示（HSMR），以稀疏但準確的方式抽像地圖元素。將此表示法與DETR [16] 提出的級聯解碼層集成，本文設計了一種漸進解碼器，透過利用向量化映射元素的可擴展性和漸進監督策略來增強結構化資訊的約束，以提高推理的準確性。本文的方案 ScalableMap 動態增加地圖的採樣密度以獲得各種比例的推理結果，使本文能夠更快地獲得更準確的地圖資訊。
請參考下述重寫的內容：
圖 1：ScalableMap 概述。
(a) 結構引導的混合 BEV 特徵提取器。
(b) 分層稀疏地圖表示和漸進解碼器。
(c) 漸進式監督
#圖 2：漸進式折線損失的視覺化。
實驗結果：
為了在不改變原意的情況下重寫內容，需要將原文重寫成中文
於，J.，張，Z.，夏，S. 和桑，J. （2023年）。 ScalableMap：用於線上長程向量化高清地圖建構的可擴展地圖學習。 ArXiv。 /abs/2310.13378
需要重寫的內容是：Rewrite the content without changing the original meaning. The language to rewrite into is Chinese. 不需要出現原句
以上是ScalableMap：用於線上遠距離向量化高精地圖建構的可擴展地圖學習的詳細內容。更多資訊請關注PHP中文網其他相關文章！
