ScalableMap：面向在线长程矢量化高精地图构建的可扩展地图学习
计算机视觉与模式识别
2024-01-09 v2
摘要
我们提出了一种利用车载相机传感器进行在线长程矢量化高清晰度（HD）地图构建的新型端到端流程。HD地图的矢量化表示采用折线与多边形来表示地图元素，被下游任务广泛使用。然而，先前参考动态目标检测设计的方案忽视了线性地图元素内部的结构约束，导致在长程场景中性能下降。本文中，我们利用地图元素的特性来提升地图构建性能。我们在其线性结构引导下提取更精确的鸟瞰图（BEV）特征，进而提出一种分层稀疏地图表示，以进一步利用矢量化地图元素的可扩展性，并基于该表示设计了渐进式解码机制与监督策略。我们的方法ScalableMap在nuScenes数据集上展现出优越性能，尤其在长程场景中，以18.3 FPS的速度超越先前最优模型6.5 mAP。代码见 https://github.com/jingy1yu/ScalableMap。
引用
@article{arxiv.2310.13378,
title = {ScalableMap: Scalable Map Learning for Online Long-Range Vectorized HD Map Construction},
author = {Jingyi Yu and Zizhao Zhang and Shengfu Xia and Jizhang Sang},
journal= {arXiv preprint arXiv:2310.13378},
year = {2024}
}