信任，但验证：高清地图更改检测的交叉模式融合
约翰·兰伯特，詹姆斯·海斯

@article {lambert2022trust，
title = {信任，但验证：高清地图更改检测的交叉模式融合}，
作者= {兰伯特，约翰和海斯，詹姆斯}，
journal = {arxiv预印arxiv：2212.07312}，
年= {2022}
}

简要摘要

1. 释放第一个用于地图更改检测的数据集和大型自动驾驶汽车（AV）数据集。
2. 实施基于学习的基线，用于使用此数据集进行地图更改检测。使用合成数据进行训练，并将模型推广到真实数据。
3. 使用[arxiv]引导的毕业-CAM帮助识别改变的区域。这促进了地图更新，但本文不涉及。

数据集

1. 传感器数据：两个表示
   1）自我视图：LIDAR扫荡，7摄像头的全景视图
   2）鸟类视图（bev，otthoimagery）：通过射线铸造图像像素
2. 板载高清地图：向量图→栅格地图
   正面：准确地图，负面：陈旧地图
   1）数据综合：给定真实阳性（TP）的保真度，通过扰动TP综合假底面（FN）向量图。请注意，应满足一些先前的条件。它表明，在合成数据集上训练的模型可以在一定程度上推广到实际分布。
   2）人类过滤：地图更改
3. 数据集拆分
   （合成）训练集，合成验证集，实际验证集，（实际）测试集

方法

问题制定

分类任务：地图，传感器→匹配/不匹配
输入三重线：（地图数据，传感器数据，二进制标签）

多模式融合

CNN分支用于特征提取：RESNET-18/RESNET-50在ImageNet上预处理。

1. 早期融合的方式：地图，传感器（语义）
   语义细分：提供带有5级面具的额外方式。使用模型：[github] seamseg使用Resnet-50。
2. 晚期融合的方式：地图，传感器
3. 仅用于比较的映射方式：该模型标识HD图是真实还是合成。

场景渲染观点

1. 自我视图模型：LIDAR（过滤遮挡的地图元素）和RGB图像
2. BEV：RGB和预生产地面高度场，没有激光雷达

评估

1. 基于可见性的评估（对于自我视图，删除封闭实体）
2. 每类准确性（ACC_C）和平均准确性（MACC）：

结果

1. 自我视图比bev好。
2. 早期融合胜于晚期融合。
3. 最有效的输入方式：RGB传感器数据，语义和地图的组合。

附录

如果有一天我有兴趣，值得了解一些细节。