通过使用高分辨率卫星影像，我们提出了一种完全自动化的流程来从图像中提取道路网络，结果表明与 OpenStreetMap 数据相比，该方法能够提供最新的道路设计和精确的道路位置。

Jun, 2024

本研究提出了一个堆叠多任务网络，在保持连通性正确性的同时，端到端地分割道路。在网络中，引入了全局感知模块来增强像素级道路特征表示并消除空中图像的干扰背景；增加了与道路方向相关的连通性任务，以确保网络保持道路片段的图级关系。我们还开发了一种堆叠多头结构，以共同学习和有效利用连通性学习和分割学习之间的相互信息。我们在三个公共遥感数据集上评估了所提出网络的性能。实验结果表明，该网络在道路分割准确性和连通性维护方面优于现有方法。

Dec, 2023

通过采用基于卷积神经网络（CNN）的决策函数来引导迭代搜索过程，RoadTracer 可以从高分辨率航空图像中自动构建道路网络图，并在误差率为 5％时，相较于分割方法，可以准确地捕捉到多达 45％更多的交叉点。

Feb, 2018

通过层级循环网络输出结构化多段线，我们提出了一种用于在线道路网络提取的方法，并以新型可微分损失函数度量模型预测结果和真实路径的偏差。实验表明，该方法可在 90 公里的公路上正确恢复 92% 的拓扑结构。

Dec, 2020

本文提出了一种基于 CRESIv2 方法的城市级别道路提取和路线计算方法，该方法包含语义特征识别以及道路速度限制和行车时间的计算，旨在优化路线计算而非简单的最短路径距离。实验证明，该方法在使用 SpaceNet 数据集的训练和测试数据时优于使用 OpenStreetMap 标签的方法 60% 以上，并通过度量平均路径长度相似度（APLS）和地图拓扑（TOPO）等指标对算法的性能进行了评估。

Aug, 2019

本文提出了一种新颖的多任务图神经网络（GNN），能够同时检测道路区域和道路边界；这两个任务之间的相互作用从两个角度提供了卓越的性能:（1）层次化检测的道路边界使网络能够捕获并编码整体道路结构以增强道路连通性（2）识别语义土地覆盖区域的内在相关性缓解了识别外观相似区域中充满道路的困难。实验结果表明，与现有方法相比，所提出的架构可以提高道路边界勾画和道路提取的准确性。

Jul, 2024

本研究旨在探索和确定在高度动态的城市驾驶场景下确定 2D 和 3D 的道路拓扑信息的策略。为了促进这一探索，我们引入了一个庞大的数据集，包含近 100 万个自动标记的数据帧。我们的研究的一个重要贡献在于开发了一个自动生成标签的过程和一个遮挡处理策略，该策略旨在模拟从轻微的中断到严重的阻塞的各种遮挡场景。此外，我们进行了全面的消融研究，开发和评估了多种中心线检测方法。这种分析不仅评估了各种方法的性能，还提供了宝贵的对这些方法可解释性的见解。最后，我们演示了我们的方法的实用性，并评估了它们在不同传感器配置下的适应性，突出了它们在实际场景中的多功能性和相关性。我们的数据集和实验模型是公开可用的。

Nov, 2023

通过利用车联网数据和深度学习模型，在道路基础设施映射方面取得了显著的成果，提出了一种基于 geohashing 和 YOLOv5 算法的自动识别路口的新方法，实验证明了该方法的高准确性和广泛应用前景。

Aug, 2023

建筑与道路协同提取方法基于多任务与跨尺度特征交互，通过任务间与尺度间的特征交互利用了建筑与道路之间的互补优势，并自动选择不同任务的最佳感知范围，实现了卓越的建筑道路提取性能和效率。

Jul, 2023

本文提出了一种基于全卷积神经网络的自动道路提取方法，利用高分辨率的卫星图像进行交通管理和道路监控，此方法能够自动且精确地提取真正的道路信息，并在 DEEPGLOBE-CVPR 2018 道路提取子挑战中表现出卓越的效果。

Jun, 2018