ScalableMap: Pembelajaran peta boleh skala untuk pembinaan peta berketepatan tinggi vektor jarak jauh dalam talian

Peta Skala: Pembelajaran peta boleh skala untuk pembinaan peta HD vektor jarak jauh dalam talian

Sila klik pautan berikut untuk membaca kertas: https://arxiv.org/pdf/2310.13378.pdf

Pautan kod: https:/ / github.com/jingy1yu/ScalableMap

Pengarang adalah dari Universiti Wuhan

Idea tesis:

Kertas ini mencadangkan proses hujung ke hujung yang baru untuk membina vektor penderia jarak jauh dalam talian menggunakan kamera kenderaan -peta definisi (HD). Perwakilan vektor bagi peta berketepatan tinggi menggunakan poligaris dan poligon untuk mewakili ciri peta, yang digunakan secara meluas oleh tugas hiliran. Walau bagaimanapun, penyelesaian terdahulu yang direka bentuk dengan merujuk kepada pengesanan sasaran dinamik mengabaikan kekangan struktur dalam elemen peta linear, mengakibatkan kemerosotan prestasi dalam adegan jarak jauh. Artikel ini menggunakan atribut ciri peta untuk meningkatkan prestasi pembinaan peta. Makalah ini mengekstrak ciri pandangan mata burung (BEV) yang lebih tepat di bawah bimbingan struktur linear, kemudian mencadangkan perwakilan graf jarang hierarki untuk mengeksploitasi lagi kebolehskalaan elemen graf tervektor, dan mereka bentuk mekanisme penyahkodan progresif berdasarkan strategi Penyeliaan ini . Kaedah ScalableMap artikel ini menunjukkan prestasi yang sangat baik pada set data nuScenes, terutamanya dalam adegan jarak jauh Berbanding dengan model terkini yang terkini, ia meningkatkan 6.5 mAP dan mencapai FPS sebanyak 18.3

Sumbangan utama:

.

(i) Artikel ini mencadangkan ScalableMap, saluran paip pembinaan peta vektor jarak jauh hujung ke hujung yang pertama. Kertas kerja ini menggunakan ciri-ciri struktur elemen pemetaan untuk mengekstrak ciri BEV yang lebih tepat, mencadangkan HSMR berdasarkan elemen vektor berskala, dan mereka bentuk penyahkod progresif dan strategi penyeliaan sewajarnya. Semua ini menghasilkan persepsi peta jarak jauh yang unggul.

Melalui penilaian eksperimen yang meluas, kajian ini menguji prestasi ScalableMap pada dataset nuScenes [17]. Kaedah penyelidikan mencapai keputusan terkini dalam pembelajaran peta ketepatan tinggi jarak jauh, meningkatkan 6.5 mAP berbanding kaedah pelbagai mod sedia ada sambil mencapai kelajuan 18.3 bingkai sesaat

Reka bentuk rangkaian:

Ini artikel Matlamatnya adalah untuk mengeksploitasi sifat struktur elemen peta bervektor untuk menyelesaikan cabaran mengesan unsur peta dengan tepat pada jarak yang lebih jauh. Pertama, kertas kerja ini mengekstrak ciri BEV sedar kedudukan dan ciri BEV sedar contoh melalui dua cawangan, dan menggabungkannya di bawah bimbingan struktur linear untuk mendapatkan ciri BEV hibrid. Seterusnya, kertas kerja ini mencadangkan perwakilan peta jarang berhierarki (HSMR) untuk mengabstrakkan elemen peta dengan cara yang jarang tetapi tepat. Mengintegrasikan perwakilan ini dengan lapisan penyahkodan lata yang dicadangkan oleh DETR [16], kertas kerja ini mereka bentuk penyahkod progresif yang meningkatkan kekangan maklumat berstruktur dengan memanfaatkan kebolehskalaan elemen pemetaan vektor dan strategi penyeliaan progresif untuk meningkatkan ketepatan. Penyelesaian artikel ini, ScalableMap, meningkatkan ketumpatan pensampelan peta secara dinamik untuk mendapatkan hasil inferens pada pelbagai skala, membolehkan artikel ini memperoleh maklumat peta yang lebih tepat dengan lebih cepat.

Sila rujuk kandungan yang ditulis semula di bawah: Rajah 1: Gambaran keseluruhan Peta Skala. (a) Pengekstrak ciri BEV hibrid berpandukan struktur. (b) Perwakilan peta jarang hierarki dan penyahkod progresif. (c) Penyeliaan Progresif

Rajah 2: Visualisasi kehilangan polyline progresif.

Hasil eksperimen:

Untuk menulis semula kandungan tanpa mengubah maksud asal, teks asal

perlu ditulis semula dalam bahasa Cina. , Z. , Xia, S., dan Sang, J. (2023). ScalableMap: Pembelajaran peta boleh skala untuk pembinaan peta HD vektor jarak jauh dalam talian. ArXiv. /abs/2310.13378

Isi yang perlu ditulis semula ialah: Tulis semula isi tersebut tanpa mengubah maksud asal Bahasa yang hendak ditulis semula ialah ayat asal tidak perlu muncul

Atas ialah kandungan terperinci ScalableMap: Pembelajaran peta boleh skala untuk pembinaan peta berketepatan tinggi vektor jarak jauh dalam talian. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!