TopoMask：基于实例掩码表述与Transformer架构的道路拓扑问题求解方法
计算机视觉与模式识别
2023-06-09 v1 人工智能
机器学习
摘要
驾驶场景理解任务涉及检测车道、交通标志和交通灯等静态元素及其相互关系。为促进利用多相机视图开发全面的场景理解方案，已发布名为Road Genome（OpenLane-V2）的新数据集。该数据集允许探索复杂的道路连接以及车道标线可能缺失的情况。与传统的车道标线不同，该数据集中的车道由中心线表示，其提供了更合适的车道及其连接表征。在本研究中，我们提出一种称为TopoMask的新方法，用于预测道路拓扑中的中心线。与文献中依赖关键点或参数化方法的现有方法不同，TopoMask利用基于实例掩码的表述和基于Transformer的架构，并且为了用流信息丰富掩码实例，提出了一种方向标签表征。TopoMask在OpenLane-V2 Score（OLS）中排名第4，在OpenLane Topology Challenge 2023的中心线预测F1分数中排名第2。与当前最优方法TopoNet相比，所提方法在基于Frechet的车道检测中取得相似性能，并在基于Chamfer的车道检测中优于TopoNet，且未使用其场景图神经网络。
引用
@article{arxiv.2306.05419,
title = {TopoMask: Instance-Mask-Based Formulation for the Road Topology Problem via Transformer-Based Architecture},
author = {M. Esat Kalfaoglu and Halil Ibrahim Ozturk and Ozsel Kilinc and Alptekin Temizel},
journal= {arXiv preprint arXiv:2306.05419},
year = {2023}
}
备注
4th in OLS and 2nd in the F1-score in OpenLane Topology Challenge 2023