DTCLMapper：用于矢量化高精地图构建的双时序一致性学习
计算机视觉与模式识别
2024-08-27 v2 机器人学
图像与视频处理
摘要
时序信息在鸟瞰图（BEV）驾驶场景理解中起着关键作用，可以缓解视觉信息的稀疏性。然而，无差别的时序融合方法在构建矢量化高精（HD）地图时会导致特征冗余的障碍。在本文中，我们重新审视了矢量化高精地图的时序融合，重点关注时序实例一致性和时序地图一致性学习。为了提高单帧地图中实例的表示能力，我们引入了一种新方法 DTCLMapper。该方法使用双流时序一致性学习模块，将实例嵌入与几何地图相结合。在实例嵌入组件中，我们的方法集成了时序实例一致性学习（ICL），确保了来自矢量点的一致性以及从点聚合的实例特征的一致性。采用矢量点预选模块来提高每个实例矢量点的回归效率。然后，通过对比学习实现由矢量点预选模块获得的聚合实例特征的时序一致性，其中正样本和负样本基于位置和语义信息进行选择。几何映射组件引入了采用自监督学习设计的地图一致性学习（MCL）。MCL 通过关注实例的全局位置和分布约束，增强了我们一致性学习方法的泛化能力。在广泛认可的基准上的大量实验表明，所提出的 DTCLMapper 在矢量化建图任务中达到了 SOTA 性能，在 nuScenes 和 Argoverse 数据集上的 mAP 分数分别达到 61.9% 和 65.1%。源代码可在 https://github.com/lynn-yu/DTCLMapper 获取。
引用
@article{arxiv.2405.05518,
title = {DTCLMapper: Dual Temporal Consistent Learning for Vectorized HD Map Construction},
author = {Siyu Li and Jiacheng Lin and Hao Shi and Jiaming Zhang and Song Wang and You Yao and Zhiyong Li and Kailun Yang},
journal= {arXiv preprint arXiv:2405.05518},
year = {2024}
}
备注
Accepted to IEEE Transactions on Intelligent Transportation Systems (T-ITS). The source code is available at https://github.com/lynn-yu/DTCLMapper