MapTR v2论文来了，本文仅介绍v2相较于v1有什么改进之处，如果想了解v1版本的论文细节，可见链接。
相较于maptr，maptr v2改进之处：
- 在分层query机制中引进解耦自注意力机制，有效降低了内存消耗；
- 在训练阶段，额外引进一对多预测分支，增加正样本数量，有效加速模型收敛；
- 在透视图(perspective view)和鸟瞰图(bev)增加密集监督，有效提升模型性能；
- 加入center-line类别，利于下游的规划控制；
- 提供更多关于模型工作的理论分析；
- 将模型框架由2D地图元素结构扩展至3D地图元素预测；
- 额外增加关于Argoverse2数据的实验结果。
下面依据改进之处展开说一下。首先看一下v2版本的模型整体结构示意图：
Encoder
在encoder阶段，maptr v2支持多种pv转bev方法，如CVT、LSS、Defirmable Attention、GKT和IPM。为了引入深度信息，默认使用基于LSS的BEVPoolv2作为转换方式。
Decoder
在decoder阶段，作者引入新的self-Attention变体和cross-Attention变体。
self-Attention变体
maptr采用一般的自注意力机制来交换queries信息，计算复杂度为 O ( ( N + N v ) 2 ) O((N+N_v)^2) O((N+Nv)2)，其中 N N N和 N v N_v Nv分别代表实例queries数量和每个queries点的数量，点的数量是固定的，但随着实例数的增加，其消耗的内存资源也是逐步增加的。在maptr v2中，作者提出使用解耦的自注意力机制代替普通的attention，具体就是分别在实例queries之间和queries内部做self-attention，具体可见上图，计算复杂度为 O ( N 2 + N v 2 ) O(N^2+N_v^2) O(N2+Nv2)。有效的降低了内存消耗，实验表明，这种方式使得模型有更高的性能。
cross-Attention变体
作者在maptr v2文章中提出三种cross-attention方式，分别是基于bev的 cross-attention、基于pv的cross-attention和两者结合的cross-attention。其中，基于bev的 cross-attention和maptr中的一样，这里不在详述；基于pv的cross-attention，得到预测的参考点集后，在特征图上采集各点周围的特征值；两者结合的cross-attention，就是将结合上述两种方式的attention方法。具体可见上图。
loss函数
一对多损失
maptr v2引入一对多损失方法，在训练时额外添加一对多的匹配分支。其中一对一损失即为maptr中定义的损失函数。一对多损失，如上图所示，将真值的地图元素复制k份，地图元素数量增加至 T T T，新的真值定义为 Y ′ = { y i ′ } i = 0 T − 1 Y'=\left\{y'_i\right\}_{i=0}^{T-1} Y′={
yi′}i=0T−1。然后同样在Y和Y使用分层的二分匹配，计算损失。对于一对多的匹配分支，一个真值地图元素可以匹配k个预测的地图元素。在训练时增加了正样本数量，使得decoder收敛更快。
辅助的密集预测损失(Dense Prediction Loss)
为了更好的利用语义和几何信息，maptr v2 引入三种辅助的损失函数：
Depth Prediction Loss
BEV Segmentation Loss
PV Segmentation Loss
总的损失函数：
Centerline
在v2，作者根据LaneGAP提出的路径规划模型，在类别中加入一种特殊的地图元素centerline，它可以提供方向信息，在规划控制里很重要。
加入centerline类别后，模型分别在nuscenes和argoverse2数据集上测试结果如上表。
结果
在nuscenes验证集上测试结果
在Argoverse2验证集上测试结果
模型在nuscenes val测试结果：
模型在argoverse2 val测试结果：
