可扩展地图：用于在线长距离向量化高清地图构建的可扩展地图学习
请点击以下链接阅读论文：https://arxiv.org/pdf/2310.13378.pdf
代码链接：https://github.com/jingy1yu/ScalableMap
作者单位为武汉大学
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
论文思路：
本文提出了一种新颖的端到端流程，用于使用车载摄像头传感器构建在线远距离矢量化高精度（HD）地图。高精度地图的矢量化表示使用折线和多边形来表示地图要素，这些要素被下游任务广泛使用。然而，之前参考动态目标检测设计的方案忽略了线性地图要素内部的结构约束，导致远距离场景中的性能下降。本文利用地图要素的属性来提高地图构建的性能。本文在线性结构的指导下提取更准确的鸟瞰图（BEV）特征，然后提出一种分层稀疏图表示，以进一步利用矢量化图要素的可扩展性，并基于该表示设计渐进式解码机制和监督策略。本文的方法ScalableMap在nuScenes数据集上展示了卓越的性能，尤其是在远距离场景中，相比之前最先进的模型提高了6.5的mAP，同时实现了18.3的FPS
主要贡献：
(i) 本文提出了 ScalableMap，第一个端到端远距离矢量化地图构建 pipeline 。本文利用映射元素的结构特性来提取更准确的 BEV 特征，提出基于可扩展矢量化元素的 HSMR，并相应地设计渐进式解码器和监督策略。所有这些都带来了卓越的远距离地图感知。
通过大量实验评估，本研究在 nuScenes 数据集 [17] 上测试了 ScalableMap 的性能。研究方法取得了远距离高精地图学习方面的最先进结果，比现有的多模态方法提高了6.5个mAP，同时达到了18.3帧每秒的速度
网络设计：
本文的目标是利用矢量化地图元素的结构特性来解决在较长距离内准确检测地图元素的挑战。首先，本文分别通过两个分支提取位置感知的 BEV 特征和实例感知的 BEV 特征，并在线性结构的指导下融合它们，得到混合 BEV 特征。接下来，本文提出了一种分层稀疏地图表示（HSMR），以稀疏但准确的方式抽象地图元素。将此表示与 DETR [16] 提出的级联解码层集成，本文设计了一种渐进解码器，通过利用矢量化映射元素的可扩展性和渐进监督策略来增强结构化信息的约束，以提高推理的准确性。本文的方案 ScalableMap 动态增加地图的采样密度以获得各种比例的推理结果，使本文能够更快地获得更准确的地图信息。
请参考下述重写的内容： 图 1：ScalableMap 概述。 (a) 结构引导的混合 BEV 特征提取器。 (b) 分层稀疏地图表示和渐进解码器。 (c) 渐进式监督
图 2：渐进折线损失的可视化。
实验结果：
为了在不改变原意的情况下重写内容，需要将原文重写成中文
于，J.，张，Z.，夏，S. 和桑，J.（2023年）。ScalableMap：用于在线长程矢量化高清地图构建的可扩展地图学习。ArXiv。/abs/2310.13378
需要重写的内容是：Rewrite the content without changing the original meaning. The language to rewrite into is Chinese. 不需要出现原句
