CVPRDec, 2020

用于结构化在线地图的分层循环注意力网络

PDF
TL;DR通过层级循环网络输出结构化多段线，我们提出了一种用于在线道路网络提取的方法，并以新型可微分损失函数度量模型预测结果和真实路径的偏差。实验表明，该方法可在 90 公里的公路上正确恢复 92% 的拓扑结构。
online road network extractionsparse 3d point cloudshierarchical recurrent networkstructured polylinedifferentiable loss function
发现论文，激发创造
  • 卷积循环网络用于道路边界提取

    本文介绍了一种全自动的深度学习方法，用于从 LiDAR 和相机图像中提取驾驶道路边界的拓扑结构，通过结构的全卷积网络和卷积循环网络，本方法可获得高精度和召回率的驾驶道路拓扑结构。

    Dec, 2020

  • Brightearth roads: 从卫星影像实现全自动道路网络提取

    通过使用高分辨率卫星影像，我们提出了一种完全自动化的流程来从图像中提取道路网络，结果表明与 OpenStreetMap 数据相比，该方法能够提供最新的道路设计和精确的道路位置。

    Jun, 2024

  • 3D 点云场景流的分层注意力学习

    本文研究了使用两个连续的三维点云来估计场景流的问题，并提出了一种新的分层神经网络架构和双重注意力方法来精细地估计和监督不同级别的场景流和 LiDAR 位置跟踪。

    Oct, 2020

  • 路径感知图注意力在动作预测的应用

    提出了一种基于路径感知的图形注意力机制，用于对高清地图进行编码，以帮助自主驾驶汽车预测路径，并在 Argoverse Motion Forecasting 数据集上取得了最优结果。

    Feb, 2022

  • 从点云中提取图结构：几何注意力是你唯一需要的

    使用图神经网络在高能物理等领域中解决点云问题取得了显著进展，本文将问题提升为拓扑问题，并提出了一种注意力机制，允许在学习空间中构建图结构以处理相关性流动，从而提供了一种拓扑问题的解决方案，我们在顶夸克标记任务上测试了名为 GravNetNorm 的这种架构，并显示其标记精度具有竞争力，且使用的计算资源远少于其他可比较的模型。

    Jul, 2023

  • RoadTracer: 从航空影像中自动提取道路网络

    通过采用基于卷积神经网络（CNN）的决策函数来引导迭代搜索过程，RoadTracer 可以从高分辨率航空图像中自动构建道路网络图，并在误差率为 5％时，相较于分割方法，可以准确地捕捉到多达 45％更多的交叉点。

    Feb, 2018

  • 通过循环图注意力网络检测社交不规范的公路驾驶行为

    本研究提出了基于自编码器和循环图注意力网络的异常驾驶行为检测方法，可以检测到在各种车辆交互和时空变化下，与周围车辆有所偏差的异常现象，其效果在仿真和实际交通数据上都获得了最佳表现。

    Apr, 2023

  • 分层注意力循环跟踪

    本文提出了一种基于分层注意力循环模型的目标跟踪算法，该算法可以在视频中跟踪单个物体，并通过梯度方法进行完全可微分且纯数据驱动的训练。为了改进训练收敛性，在损失函数中增加了与跟踪相关的辅助任务项。该模型在 KTH 活动识别数据集和 KITTI 物体跟踪数据集上进行了评估。

    Jun, 2017

  • HEAT: 用于结构化重构的全面边缘注意转换器

    本文提出了基于注意力机制的神经网络，能够将二维光栅图像重构为描述基础几何结构的平面图，并通过端到端的方式检测角点和分类角点之间的边缘候选项。实验结果表明，本方法在室外建筑构建和室内平面图重建等结构化重建任务上优于现有方法。

    Nov, 2021

  • 通过连接性和分割的联合学习进行道路网络的细粒度提取

    本研究提出了一个堆叠多任务网络，在保持连通性正确性的同时，端到端地分割道路。在网络中，引入了全局感知模块来增强像素级道路特征表示并消除空中图像的干扰背景；增加了与道路方向相关的连通性任务，以确保网络保持道路片段的图级关系。我们还开发了一种堆叠多头结构，以共同学习和有效利用连通性学习和分割学习之间的相互信息。我们在三个公共遥感数据集上评估了所提出网络的性能。实验结果表明，该网络在道路分割准确性和连通性维护方面优于现有方法。

    Dec, 2023