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

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

本研究使用全卷积神经网络，在 LIDAR 点云、GPS-IMU 信息和 Google 驾驶方向的帮助下生成驾驶路径，并通过测试获得了良好的性能，标志着该系统有望填补底层场景解析和行为反射方法之间的差距。

Mar, 2017

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

本论文提出了一种利用卷积神经网络模块和循环神经网络模块相结合的深度神经网络架构，以处理在单一图像中无法精确检测车道的情况，并将连续多个时间序列的 CNN 特征输入到 RNN 训练模型中，以成功预测车道。

Mar, 2019

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

本文提出了一种基于卷积神经网络 (CNNs) 的端到端系统，用于实时的车道边界识别、聚类和分类，使用了 TuSimple 数据集中 14336 个车道边界实例，并利用 8 个不同的类进行了标记。

Jul, 2019

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

本文提出了一种利用卫星图像进行农田边界提取的深度学习方法，将该问题转化为多任务语义分割问题，综合考虑像素属于农田、是否是边界以及距离最近边界的距离等三个标签，从而实现准确、可扩展的农田边界提取，该方法在解决现实农业大规模数据采集问题中具有潜在的应用前景。

Oct, 2019

通过提出三个小型，计算成本较低的深度端到端神经网络模型，直接从输入图像中产生驾驶控制信号，并利用深度和薄型全卷积网络与递归神经网络以及低参数计数等方法来解决复杂的端到端回归任务，预测转向和加速度指令，并包括分类优化层，以允许网络隐式地学习图像语义。我们证明，与最新的可比较的端到端驾驶网络相比，所得到的网络使用了 3 倍少的参数以及比 AlexNet 变化小 500 倍，同时维持对于过拟合的稳健性。

Nov, 2017