DSFNet：学习解耦场景分解用于多场景路线排序
信息检索
2024-11-06 v2
摘要
多场景路线排序（MSRR）在许多工业地图系统中至关重要。然而，工业界主要采用交互式界面鼓励用户选择预定义场景，这可能阻碍下游排序性能。此外，在学术界，多场景排序工作仅来自其他领域，由于缺乏公开可用的MSRR数据集，没有专门针对路线数据的工作。而且，所有现有的多场景工作仍无法同时解决MSRR的三个特定挑战，即场景数量爆炸、高度纠缠和高容量需求。与先前工作不同，为了解决MSRR，我们的关键思想是将路线排序中的复杂场景分解为几个解耦的因子场景模式。据此，我们提出了一种新方法——解耦场景分解网络（DSFNet），它基于高容量多因子场景分支结构灵活地组合场景相关参数。然后，提出了一种新的正则化来诱导因子场景的解耦。此外，还开发了两种额外的新技术，即场景感知批归一化和场景感知特征过滤，以提高网络对场景表示的感知能力。另外，为了促进学术界的MSRR研究，我们提出了MSDR，这是第一个大规模公开可用的带注释的工业多场景驾驶路线数据集。综合实验结果表明了我们的DSFNet的优越性，它已成功部署在高德地图中，服务于主要的在线交通。
引用
@article{arxiv.2404.00243,
title = {DSFNet: Learning Disentangled Scenario Factorization for Multi-Scenario Route Ranking},
author = {Jiahao Yu and Yihai Duan and Longfei Xu and Chao Chen and Shuliang Liu and Kaikui Liu and Fan Yang and Xiangxiang Chu and Ning Guo},
journal= {arXiv preprint arXiv:2404.00243},
year = {2024}
}