ECCVJul, 2020

Sat2Graph: 通过图 - 张量编码提取道路图

PDF
TL;DR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。
satellite imagerycomputer visionroad graphgraph-tensor encodingstacked roads
发现论文，激发创造
  • RoadTagger: 基于图神经网络的稳健道路属性推断

    本研究提出了 RoadTagger 模型，将卷积神经网络和图神经网络相结合以解决从卫星影像中推断道路属性的问题，并成功解决了图像分类器的有效接收域有限的困难，评估结果显示 RoadTagger 模型在大规模实际数据和小规模合成数据上均取得了较高的推断精度和鲁棒性。

    Dec, 2019

  • 道路网络图提取的分段模型

    我们提出了 SAM-Road，它是 Segment Anything Model（SAM）的一种适应性方法，用于从卫星图像中提取大规模的矢量化道路网络图。我们通过将图形几何形式化为密集语义分割任务，利用 SAM 的固有优势来预测图形几何，SAM 的图像编码器经过微调，产生用于道路和交叉口的概率掩码，通过简单的非最大抑制来提取图形顶点。为了预测图形拓扑，我们设计了一种轻量级的基于 Transformer 的图神经网络，它利用 SAM 图像嵌入来估计顶点之间边存在的概率。我们的方法可以直接预测覆盖数平方公里的大区域的图形顶点和边，无需昂贵和复杂的后处理启发式方法，并且能够在几秒钟内构建完整的道路网络图。通过其简单、直接和极简主义的设计，SAM-Road 在城市规模数据集上实现了与 RNGDet++ 等最先进方法相当的准确性，同时运行速度提高了 40 倍。因此，我们展示了将基础视觉模型应用于图学习任务时的强大能力。该代码可在此 URL 上找到。

    Mar, 2024

  • 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

  • RS2G: 数据驱动场景图提取和嵌入用于鲁棒的自主感知和场景理解

    提出了一种数据驱动的图提取和建模方法，称为 RoadScene2Graph (RS2G)，它能够学习提取用于解决自主场景理解任务的道路场景的最佳图表示，并提高图学习方法的泛化性和仿真数据到实际场景的转移能力。

    Apr, 2023

  • 卫星影像中的城市级公路提取 v2：道路速度和行驶时间

    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

  • 基于图的 U-Net 模型用于预测未知城市的交通

    本研究旨在结合 U-Net 架构与图层操作，以提高交通数据预测的精确度和空间泛化能力。模型表现证明了该方法比基础 U-Net 更适用于预测不同道路网络的交通状况。

    Feb, 2022

  • LaneGraph2Seq: 通过顶点边编码和连通性增强的语言模型进行车道拓扑提取

    理解道路结构对自动驾驶至关重要。传统的道路结构常用车道图表达，其中包括中心线曲线和形成有向无环图的连接。正确提取车道图需要准确估计有向无环图中的顶点和边信息。然而，现有研究主要侧重于明确建模顶点，而将边信息仅嵌入网络中，导致这些方法在车道图提取任务中表现不佳。为解决此问题，我们提出了一种名为 LaneGraph2Seq 的新方法，它采用了编码顶点 - 边的语言模型和增强连接性方法。我们的序列化策略包括以顶点为中心的深度优先遍历和简洁的基于边的分区序列。此外，我们使用无分类器引导结合核心抽样来改进车道连接性。我们在知名数据集 nuScenes 和 Argoverse 2 上验证了我们的方法，展示了一致且令人信服的结果。与车道图提取领域的最新技术相比，我们的 LaneGraph2Seq 方法表现出优越的性能。

    Jan, 2024

  • GCT-TTE: 旅行时间估计的图卷积变压器

    该研究提出了一种基于 Transformer 的模型，用于解决旅行时间估计问题，利用不同的数据模式捕捉输入路径的不同属性并在路径感知和路径盲设置上进行了测试，在两个数据集上性能均优于现有模型，并部署为可访问的 Web 服务。

    Jun, 2023

  • 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

  • 一种车辆轨迹预测的结构感知车道图变换模型

    具有结构感知能力的 Lane Graph Transformer (LGT) 模型将地图拓扑结构编码到注意力机制中，以精确预测自动驾驶车辆周围车辆的未来轨迹。对 Argoverse 2 数据集进行的实验结果表明，与基准模型相比，所提出的 LGT 模型在预测性能上显著提高，minFDE$_6$ 指标下降了 60.73%，b-minFDE$_6$ 指标下降了 2.65%。消融实验进一步验证了地图拓扑结构的考虑对模型的有效性，b-minFDE$_6$ 指标下降了 4.24%。

    May, 2024