Lane Segmentation Refinement with Diffusion Models

要約

レーン グラフは、高解像度 (HD) マップを構築するための重要なコンポーネントであり、自動運転やナビゲーション計画などの下流タスクにとって重要です。
以前、He et al.
(2022) は、セグメンテーション ベースのアプローチを利用して航空画像から車線レベルのグラフを抽出することを検討しました。
ただし、セグメンテーション ネットワークは完全なセグメンテーション マスクを実現するのに苦労し、その結果、不正確なレーン グラフ抽出が発生します。
このセグメンテーションベースのアプローチを改良し、拡散確率モデル (DPM) コンポーネントで拡張するための追加の機能強化を検討します。
この組み合わせにより、非交差点領域の無向グラフにおけるレーン グラフの品質の重要な指標である GEO F1 スコアと TOPO F1 スコアがさらに向上します。
公開されているデータセットで実験を行い、TOPO F1 スコアによって測定されるように、特にそのようなグラフの接続性の強化において、私たちの方法が以前のアプローチよりも優れていることを実証しました。
さらに、私たちはメソッドの個々のコンポーネントについてアブレーション研究を実行し、それらの寄与を理解し、その有効性を評価します。

要約(オリジナル)

The lane graph is a key component for building high-definition (HD) maps and crucial for downstream tasks such as autonomous driving or navigation planning. Previously, He et al. (2022) explored the extraction of the lane-level graph from aerial imagery utilizing a segmentation based approach. However, segmentation networks struggle to achieve perfect segmentation masks resulting in inaccurate lane graph extraction. We explore additional enhancements to refine this segmentation-based approach and extend it with a diffusion probabilistic model (DPM) component. This combination further improves the GEO F1 and TOPO F1 scores, which are crucial indicators of the quality of a lane graph, in the undirected graph in non-intersection areas. We conduct experiments on a publicly available dataset, demonstrating that our method outperforms the previous approach, particularly in enhancing the connectivity of such a graph, as measured by the TOPO F1 score. Moreover, we perform ablation studies on the individual components of our method to understand their contribution and evaluate their effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google