RoadTagger: 基于图神经网络的稳健道路属性推断
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
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
本文提出了一种基于车载摄像头图像的道路布局推断模型,同时构建了一个路况数据集,可以将导航地图的元数据与 Google 街景图像匹配以提供标签,并利用深度卷积网络训练该模型,结果表明该方法可用于提升基础设施安全性。
Nov, 2016
本论文提出了一种新方法 Sat2Graph,将像素级分割和基于图形的方法的优势结合在一个框架中。通过一种新的编码方式,即图张量编码,Sat2Graph 能够从图像中直接捕捉图形结构的特征并预测道路图,并可以侦测不只平面的道路图,而能够稳健地预测堆叠道路(例如高架桥等)。实验显示,Sat2Graph 优于先前指标 TOPO 和 APLS 使用的其他方法。
Jul, 2020
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
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
本研究介绍了一种特定于路网设计的图卷积神经网络(GCN)的改进型 RFN,与现有的 GCN 相比,在两个机器学习任务上的性能提高了 21%-40%,同时还表明了现有 GCN 可能无法有效地利用道路网络结构并可能无法很好地推广到其他道路网络。
Jun, 2020
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
该研究使用图表征交通场景,并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测,评估了两种现有的图神经网络结构,并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30%,表明交互作用是重要的,并且该研究在交通预测系统中将 GNN 作为有价值的补充。
Mar, 2019
通过学习交通网络图形并提出一种新的深度学习框架,Traffic Graph Convolutional Long Short-Term Memory Neural Network(TGC-LSTM),我们可以更好地进行交通预测,从而在两个真实的交通状态数据集上优于基准方法。
Feb, 2018