本研究提出了一个名为 VectorMapNet 的端到端矢量化高清地图学习管道，它可以利用传感器观测数据预测出鸟瞰图中稀疏的折线。该管道可以明确地建模地图元素之间的空间关系，并生成对自主驾驶任务友好的矢量化高清地图。实验表明，VectorMapNet 在 nuScenes 和 Argoverse2 数据集上的地图学习性能优于以前的最先进方法，MAP 分别提高了 14.2 和 14.6。

Jun, 2022

本文介绍 HD 语义地图学习的问题，提出了一种语义地图学习方法 HDMapNet，通过多传感器数据的融合，可以更好地动态地构建地图语义，并且相比于传统基线方法具有更好的性能。

Jul, 2021

本论文提出了一种放大和缩小的网络，用于生成物体建议，通过利用 conv/deconv 结构，引入两个特征图流的低层局部细节和高层区域语义的互补，设计了 MAD 单元来搜索神经元激活并提出新的特征图，在三个数据集上取得了比其他最新算法更好的效果。

Sep, 2017

该研究提出了 FLANet 方法，可以通过单个相似度图来同时编码空间和通道注意力，并在三个具有挑战性的语义分割数据集上最先进的性能达到 83.6％，46.99％和 88.5％。

Dec, 2021

StreamMapNet 是一种能进行长序列时间建模视频的新型在线地图制作方法，能够在广泛感知范围内构建具有高稳定性的大范围本地高清地图，并解决了现有方法的局限性，其在所有设置下均明显优于现有方法，同时保持 14.2FPS 的在线推理速度。

Aug, 2023

针对高精度地图构建的在线矢量化在自动驾驶研究领域引起了很大关注。我们提出了一种名为 PivotNet 的简单而有效的架构，采用统一的基于枢纽的地图表示，并以直接集合预测范式进行建模。通过引入点到线掩膜模块和动态匹配模块，以及提出动态矢量化序列损失来监督矢量化点预测的位置和拓扑，我们的方法在性能上优于其他 SOTA 方法至少 5.9 mAP。

Aug, 2023

GeMap 是一种应用于构建在线矢量化高清地图的方法，通过学习欧氏空间的形状和关系，利用几何损失和自注意机制，实现了最先进的性能。

Dec, 2023

自动驾驶汽车在今天逐渐进入城市道路，通过高清地图（HDMaps）的帮助。尽管在线 HDMap 生成算法的性能在远程地区仍然令人不满意，但这一事实促使许多研究人员进行研究。我们提出了 P-MapNet，并将字母 P 强调为我们专注于合并地图先验以提高模型性能的事实。我们在 OpenStreetMap 中提取了弱对齐的 SDMap，作为一个额外的条件分支对其进行编码。我们的基于注意力的架构能够自适应地关注相关的 SDMap 框架并显著提高性能。此外，我们利用掩蔽自编码器捕获 HDMap 的先验分布，它可以作为细化模块来减轻遮挡和伪影。通过综合实验，我们展示了：（1）我们的 SDMap 先验可以提高在线地图生成的性能，使用栅格化输出表示（最多可达到 + 18.73mIoU）和矢量化输出表示（最多可达到 + 8.50mAP）。（2）我们的 HDMap 先验可以提高地图感知度量结果，最高可达到 6.34%。 （3）P-MapNet 可以切换到不同的推理模式，覆盖了精度 - 效率权衡的不同区域。 （4）P-MapNet 是一个远见的解决方案，在更长范围上带来了更大的改进。代码和模型公开在此 https URL。

Mar, 2024

本文提出了一种基于自编码器的模型，即 SAE-NAD，用于学习非线性用户 - 地点关系，通过采用多维关注机制自适应地区分用户偏好程度，并通过 POI 嵌入与径向基函数内积相结合的方法实现在检查的 POI 的相似和附近邻居上使用户到达更高的可达性，并在三个真实世界数据集上进行了广泛的实验，证明了本模型的有效性。

Sep, 2018

介绍了一种名为局部化伪造关注网络（LAA-Net）的用于高质量深度伪造检测的新方法，该方法通过明确的关注机制以及简单有效的升级特征金字塔网络（E-FPN）来提高检测性能。

Jan, 2024