ScalableMap : apprentissage cartographique évolutif pour la construction de cartes vectorielles de haute précision à longue portée en ligne

Cartes évolutives : apprentissage de cartes évolutives pour la construction de cartes HD vectorisées longue distance en ligne

Veuillez cliquer sur le lien suivant pour lire l'article : https://arxiv.org/pdf/2310.13378.pdf

Lien de code : https://arxiv.org/pdf/2310.13378.pdf

Lien de code : https:// github.com/jingy1yu/ScalableMap

L'auteur est de l'Université de Wuhan

Idée de thèse :

Cet article propose un nouveau processus de bout en bout pour construire des vecteurs longue distance en ligne à l'aide de capteurs de caméras de véhicules. Élevé -cartes de définition (HD). Les représentations vectorielles de cartes de haute précision utilisent des polylignes et des polygones pour représenter les entités cartographiques, largement utilisées par les tâches en aval. Cependant, les solutions précédentes conçues en référence à la détection dynamique de cibles ignoraient les contraintes structurelles au sein des éléments de carte linéaire, ce qui entraînait une dégradation des performances dans les scènes longue distance. Cet article utilise les attributs des entités cartographiques pour améliorer les performances de construction de cartes. Cet article extrait des caractéristiques de vue à vol d'oiseau (BEV) plus précises sous la direction de structures linéaires, puis propose une représentation graphique clairsemée hiérarchique pour exploiter davantage l'évolutivité des éléments graphiques vectorisés, et conçoit un mécanisme de décodage progressif basé sur cette stratégie de supervision. . La méthode ScalableMap de cet article a démontré d'excellentes performances sur l'ensemble de données nuScenes, en particulier dans les scènes longue distance. Par rapport au modèle de pointe précédent, elle a amélioré 6,5 mAP et atteint un FPS de 18,3

Principales contributions :

(i) Cet article propose ScalableMap, le premier pipeline de construction de cartes vectorielles longue distance de bout en bout. Cet article utilise les caractéristiques structurelles des éléments cartographiques pour extraire des caractéristiques BEV plus précises, propose un HSMR basé sur des éléments vectorisés évolutifs et conçoit des décodeurs progressifs et des stratégies de supervision en conséquence. Tout cela se traduit par une perception supérieure des cartes à longue distance.

Grâce à une évaluation expérimentale approfondie, cette étude a testé les performances de ScalableMap sur l'ensemble de données nuScenes [17]. La méthode de recherche a obtenu des résultats de pointe en matière d'apprentissage cartographique longue distance de haute précision, améliorant 6,5 mAP par rapport aux méthodes multimodales existantes tout en atteignant une vitesse de 18,3 images par seconde

Conception du réseau :

Cette article L'objectif est d'exploiter les propriétés structurelles des éléments cartographiques vectorisés pour résoudre le défi de la détection précise des éléments cartographiques sur de plus longues distances. Premièrement, cet article extrait les fonctionnalités BEV sensibles à la position et les fonctionnalités BEV sensibles aux instances à travers deux branches respectivement, et les fusionne sous la direction d'une structure linéaire pour obtenir des fonctionnalités BEV hybrides. Ensuite, cet article propose une représentation cartographique clairsemée hiérarchique (HSMR) pour abstraire les éléments cartographiques de manière clairsemée mais précise. En intégrant cette représentation à la couche de décodage en cascade proposée par DETR [16], cet article conçoit un décodeur progressif qui améliore les contraintes des informations structurées en tirant parti de l'évolutivité des éléments de cartographie vectorisés et d'une stratégie de supervision progressive pour améliorer la précision de l'inférence. La solution de cet article, ScalableMap, augmente dynamiquement la densité d'échantillonnage de la carte pour obtenir des résultats d'inférence à différentes échelles, permettant à cet article d'obtenir plus rapidement des informations cartographiques plus précises.

Veuillez vous référer au contenu réécrit ci-dessous : Figure 1 : Présentation de ScalableMap. (a) Extracteur de fonctionnalités BEV hybride guidé par la structure. (b) Représentation cartographique clairsemée hiérarchique et décodeur progressif. (c) Supervision progressive

Figure 2 : Visualisation de la perte progressive de la polyligne.

Résultats expérimentaux :

Afin de réécrire le contenu sans changer le sens original, le texte original doit être réécrit en chinois

Yu, J., Zhang , Z., Xia, S. et Sang, J. (2023). ScalableMap : apprentissage de cartes évolutif pour la construction de cartes HD vectorisées à longue portée en ligne. ArXiv. /abs/2310.13378

🎜🎜

Le contenu qui doit être réécrit est le suivant : réécrivez le contenu sans changer le sens original. La langue dans laquelle réécrire est le chinois. La phrase originale n'a pas besoin d'apparaître

.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!