.png){kind=icon}
返回
QDNet: Query-Denoising Network for Visual Traffic Knowledge Graph Generation
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2025.3572944.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通场景感知是现代智能交通系统中地图构建和路径规划等关键任务的基础，因此受到了广泛关注。然而，现有方法往往仅关注特定要素，缺乏对各类交通场景的综合理解。本文针对视觉交通知识图谱生成（VTKGG）任务，旨在从交通场景图像的各要素中提取并表征交通信息为知识图谱。为此，我们提出查询去噪网络（QDNet），通过不同类型的查询以端到端方式整合多个子任务。这些查询促进了不同模块间的信息交流，通过消除繁琐的中间步骤简化了视觉交通知识图谱的生成。考虑到优化此类级联多任务模型的挑战，我们将查询去噪方法纳入QDNet的训练过程。通过引入噪声查询、增强模型内部噪声并迫使模型恢复真实值，本方法实现了准确的结果。该策略提升了模型的鲁棒性和性能。我们进行了广泛的消融实验和对比实验，以证明本框架和策略的优越性与有效性，并在类似任务的全景场景图生成（Panoptic Scene Graph Generation）上的实验也证明了其优越性。
Keyword:
Visual traffic knowledge graph generation (VTKGG)
query-denoising training
traffic scene perception
期刊
IF:
18.6
论文数:
1.0K
被引数:
9.8W
机构
暂无机构信息
引用论文
On Salience-Sensitive Sign Classification in Autonomous Vehicle Path Planning: Experimental Explorations with a Novel Dataset关于自动驾驶路径规划中显著性敏感的标志分类：基于新型数据集的实验探索
.png){kind=icon}
PREAI
分享收藏
分享收藏分享收藏
分享收藏
查看更多内容