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

提出了一种基于SPIN模块和金字塔网络的道路识别方法，该方法可以从卫星图像中高效且准确地提取出道路信息，并且在训练时收敛速度快。

Sep, 2021

本研究提出了一个名为VectorMapNet的端到端矢量化高清地图学习管道，它可以利用传感器观测数据预测出鸟瞰图中稀疏的折线。该管道可以明确地建模地图元素之间的空间关系，并生成对自主驾驶任务友好的矢量化高清地图。实验表明，VectorMapNet在nuScenes和Argoverse2数据集上的地图学习性能优于以前的最先进方法，MAP分别提高了14.2和14.6。

Jun, 2022

通过远程感知图像的分割获取道路的精确方面对于自主车辆、城市发展规划以及实现可持续发展目标等很多实际应用非常有用。本研究提出了一种基于拓扑感知的无监督领域自适应方法用于道路分割，通过预测道路骨架作为辅助任务来强制施加拓扑约束，并利用基于连通性的伪标签精化策略过滤噪声伪标签，避免出现孔洞和不连续性。在基准数据集上进行的大量实验表明，该方法在IoU、F1分数和APLS方面相较于现有的最先进方法有最少6.6%、6.7%和9.8%的较大增益，尤其在SpaceNet到DeepGlobe的迁移场景上效果更为显著。

Sep, 2023

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

一种新颖的结构感知混合和不变性学习框架 (SA-MixNet) 被提出用于弱监督道路提取，该框架通过数据驱动的方式提高了模型的不变性，结合结构感知混合策略、不变性正则化及基于鉴别器的正则化方法，使得该框架在 DeepGlobe、Wuhan 和 Massachusetts 数据集中的 IoU 指标分别优于现有技术 1.47%、2.12% 和 4.09%，表现出其即插即用的潜力，并将源代码公开发布。

Mar, 2024

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

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