RNGDet++: Road Network Graph Detection by Transformer with Instance Segmentation and Multi-scale Features Enhancement

要約

道路ネットワーク グラフは、グローバル ルート プランニングやナビゲーションなど、自動運転のダウンストリーム タスクにとって重要なコンポーネントです。
過去数年間、道路ネットワーク グラフは通常、人間の専門家によって手作業で注釈が付けられていましたが、これには時間と労力がかかります。
道路ネットワーク グラフに効果的かつ効率的に注釈を付けるには、道路ネットワーク グラフ検出の自動アルゴリズムが必要です。
ほとんどの既存の方法は、セマンティック セグメンテーション マップで後処理ステップを採用して道路ネットワーク グラフを生成するか、グラフベースのアルゴリズムを提案してグラフを直接予測します。
ただし、これらの作品は、ハードコーディングされたアルゴリズムと劣ったパフォーマンスに悩まされています。
以前の最先端 (SOTA) メソッド RNGDet を強化するために、インスタンス セグメンテーション ヘッドを追加してトレーニングをより適切に監視し、ネットワークがバックボーンのマルチスケール機能を活用できるようにします。
新たに提案されたアプローチは RNGDet を改良したものであるため、RNGDet++ と名付けました。
実験結果は、2 つの大規模な公開データセットのほぼすべての評価指標に関して、RNGDet++ がベースライン メソッドよりも優れていることを示しています。
私たちのコードと補足資料は、\url{https://tonyxuqaq.github.io/projects/RNGDetPlusPlus/} で入手できます。

要約(オリジナル)

The road network graph is a critical component for downstream tasks in autonomous driving, such as global route planning and navigation. In the past years, road network graphs are usually annotated by human experts manually, which is time-consuming and labor-intensive. To annotate road network graphs effectively and efficiently, automatic algorithms for road network graph detection are demanded. Most existing methods either adopt a post-processing step on semantic segmentation maps to produce road network graphs, or propose graph-based algorithms to directly predict the graphs. However, these works suffer from hard-coded algorithms and inferior performance. To enhance the previous state-of-the-art (SOTA) method RNGDet, we add an instance segmentation head to better supervise the training, and enable the network to leverage multi-scale features of the backbone. Since the new proposed approach is improved from RNGDet, we name it RNGDet++. Experimental results show that our RNGDet++ outperforms baseline methods in terms of almost all evaluation metrics on two large-scale public datasets. Our code and supplementary materials are available at \url{https://tonyxuqaq.github.io/projects/RNGDetPlusPlus/}.

arxiv情報

著者 Zhenhua Xu,Yuxuan Liu,Yuxiang Sun,Ming Liu,Lujia Wang
発行日 2023-03-15 03:05:12+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.RO パーマリンク