如何从GPS定位还原公主坟高架桥地图？

正文

请到「今天看啥」查看全文

DeepMG中也用到了邻近网格的变换视图，即通过二值矩阵来表示是否有出度和入度

的关系。当两个连续的GPS点连接了一个邻居网格与当前网格，那么它们之间的入-矩阵元素值为1，否则为0。类似的，当两个连续的GPS点连接了当前网络与一个邻居网格，那么它们之间的出-矩阵元素值为1，否则为0。由于这两个矩阵往往是稀疏的，因此DeepMG通过参数T来控制邻居网格的大小，即使用一个更低的空间分辨率，由此得到的变换视图可以表示为 ，其中 表示二值矩阵。

2）T2RNet

如图3所示，T2RNet会基于提取的特征预测道路区域。

图3. T2RNet结构。

T2RNet包含4个部分，它们的任务分别是：

（1）Transition Embedding: 用全连接层将稀疏矩阵 转换成一个更加密集的表示 ，其中 k 是嵌入纬度的大小；

（2）Shared Encoder：将特征在不同程度上进行编码；

（3）Road Region Decoder：给定上一步中的编码信息，预测道路区域；

（4）Road Centerline Decoder：同时利用第2步和第3步中的信息，预测道路的中心线。

预测的道路中心线可以通过两个网格之间的0-1变量来表示，即 。类似的，道路区域可以表示为 。为了解决道路中心线预测时 和 正负样本不均衡的问题，DeepMG采用了Dice loss[1]作为损失函数，如下所示：

最终的优化目标为：

其中 是不同目标之间的权重系数。

2、拓扑构建

几何变换模块预测的道路中心线还存在不连续和断裂的情况，并不能称得上是地图。为了解决这个问题，拓扑构建模块会连接断裂的路段，并且同时推断道路的行驶方向。

1）图提取

首先利用前人的合成方法[2]生成一个初始的无向地图。

2）连接生成

请到「今天看啥」查看全文