Jun, 2018

卫星图像自动道路提取的全卷积网络

PDF
TL;DR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。
high-resolution satellite imagesautomatic road extractionconvolutional neural networkdeepglobetraffic management
发现论文，激发创造
  • 深度残差 U-Net 实现的道路提取

    本文提出了一种基于深度残差网络和 U-Net 的语义分割神经网络模型，可用于从航空图像中提取道路区域，并通过实验验证了该模型的优越性。

    Nov, 2017

  • RoadTracer: 从航空影像中自动提取道路网络

    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

  • Brightearth roads: 从卫星影像实现全自动道路网络提取

    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

  • 使用多模态数据的人工智能驱动的道路网络预测

    本研究提出了一种创新的深度学习自动道路检测方法，通过融合低分辨率卫星图像和 GPS 轨迹数据的策略，对早期和后期融合进行深入研究，并使用不同的融合设置评估基于深度学习的道路检测性能。研究结果显示，ResUnet 模型在道路提取任务中优于 U-Net 和 D-Linknet，以及使用低分辨率 Sentinel-2 数据的基准研究，从而为自动道路检测领域作出贡献，并为各种应用中的数据融合方法提供了新的见解。

    Dec, 2023

  • 卷积循环网络用于道路边界提取

    本文介绍了一种全自动的深度学习方法，用于从 LiDAR 和相机图像中提取驾驶道路边界的拓扑结构，通过结构的全卷积网络和卷积循环网络，本方法可获得高精度和召回率的驾驶道路拓扑结构。

    Dec, 2020

  • 通过连接性和分割的联合学习进行道路网络的细粒度提取

    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

  • 邻域注意力加强 ResUNet 编码器以提高道路提取精度

    提出了一种名为 ResUNetFormer 的深度语义分割神经网络，利用残差学习、HetConvs、UNet 和视觉变压器的能力，用于精准道路提取。在公开的马萨诸塞州道路数据集上，统计和视觉结果表明了 ResUNetFormer 比卷积神经网络和视觉变压器更优。

    Jun, 2023

  • 大规模弱监督学习用于卫星图像中的道路提取

    使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案，本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法，并且利用大规模预训练使模型具有更好的泛化能力。

    Sep, 2023

  • 全面嵌套结构感知图神经网络用于道路提取

    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

  • 利用卷积网络自动提取航拍场景中的建筑物

    本研究提出了一种使用卷积网络和距离函数的方法，利用 GIS 中的建筑足迹数据训练，可实现从空中和卫星图像中自动提取建筑物的任务自动化，并在大规模和复杂的数据集上显著优于先前的方法。

    Feb, 2016