面向遥感图像的道路区域提取及优化

一、论文
2017
(1)DeepRoadMapper
(2)Topology Loss
2018
(1)RoadTracer
(2)iterative-deep-learning
2019
(1)Leveraging Crowdsourced GPS Data for Road Extraction from Aerial Imagery
(2)RoadNet
(3)RoadTagger
(4)Generative Graph Transformer
(5)road_connectivity
(6)NL-LinkNet: Toward Lighter but More Accurate Road Extraction with Non-Local Operations
(7)Convolutional Recurrent Network for Road Boundary Extraction(CVPR)
2020
(1)DAGMapper: Learning to Map by Discovering Lane Topology
(2)Topology-Enhanced Urban Road Extraction via a Geographic Feature-Enhanced Network
(3)DeepWindow
(4)VecRoad
(5)Simultaneous Road Surface and Centerline Extraction
(6)Sat2Graph
(7)Scribble-based Weakly Supervised Deep Learning for Road Surface Extraction from Remote Sensing Images
(8)Adaptive Linear Span Network for Object Skeleton Detection(TIP)
2021
(1)SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and Interaction Space (2)Graph Reasoning for Autonomous Driving
(3)CoANet: Connectivity Attention Network for Road Extraction from Satellite Imagery
(4)Split Depth-wise Separable Graph-Convolution Network for Road Extraction in Complex Environments from High-resolution Remote-Sensing Images
(5)Topo-boundary: A Benchmark Dataset on Topological Road-boundary Detection Using Aerial Images for Autonomous Driving
(6)iCurb: Imitation Learning-based Detection of Road Curbs using Aerial Images for Autonomous Driving
2022
(1)RNGDet: Road Network Graph Detection by Transformer in Aerial Images
(2)Relationformer: A Unified Framework for Image-to-Graph Generation
(3)PLGAN: Generative Adversarial Networks for Power-Line Segmentation in Aerial Images
二、数据集
(1)高分二号乡村道路数据集
(2)DeepGlobeRoad


前言
当前主流的模型聚焦于道路面的提取,即只关注IOU的精度,而对于道路的连接性和完整性却很少提及。

2017
DeepRoadMapper

摘要
绘制道路地图对于自动驾驶和城市规划等应用程序至关重要。大部分的工业方法集中在利用昂贵的传感器安装在车队的顶部。当利用循环中的用户时,这将导致非常准确的估计。然而,这些解决方案非常昂贵,而且覆盖面很小。相反,在本文中,我们提出了一种直接从航空图像估计道路拓扑的方法。这为我们提供了一个负担得起且覆盖面广的解决方案。为了实现这一目标,我们利用深度学习的最新发展对航空图像进行初始分割。在此基础上,我们提出了一种算法,将所提取的道路拓扑中缺失连接的原因归结为可以有效解决的最短路径问题。我们在具有挑战性的TorontoCity数据集中演示了我们的方法的有效性,并显示了相对于最先进的数据集非常显著的改进。

Topology Loss

code:https://github.com/dingmyu/Pytorch-Topology-Aware-Delineation

摘要

曲线结构的去线化是计算机视觉中具有多种实际应用的一个重要问题。随着深度学习的出现,目前关于许多自动描述的方法都集中于寻找更强大的深度架构,但继续使用习惯性的像素级损失,如二元交叉熵。在本文中,我们声称像素级损失本身不适合解决这个问题,因为它们无法反映最终预测中错误的拓扑影响。我们提出了一个新的、了解线性结构的高阶拓扑特征的损失项。我们还引入了一个细化管道,它在前面的描述上迭代地应用相同的模型,以细化每个步骤的预测,同时保持参数的数量和模型的复杂性不变。当与标准的像素级损失相结合时,我们的新损失项和迭代细化都提高了预测描述的质量,在某些情况下,与单独使用二元交叉熵训练的相同分类器相比,精度几乎提高了一倍。我们表明,我们的方法在从显微镜到航空图像的广泛数据范围上优于最先进的方法。

2018
RoadTracer

code:https://github.com/mitroadmaps/roadtracer

参考博客
摘要

绘制公路网目前既昂贵又劳力密集。 高分辨率航空图像为自动推断道路网络提供了一个很有前途的途径。 先前的工作使用卷积神经网络(CNNs)来检测哪些像素属于一条道路(分割),然后使用复杂的后处理启发式来推断图形连通性。 我们表明,这些分割方法具有较高的错误率,因为噪声CNN输出是难以纠正的。 本文提出了一种从航空图像中自动构建精确的道路网络图的新方法——道路跟踪器。 道路跟踪器使用基于CNN的决策函数引导的迭代搜索过程直接从CNN的输出导出道路网络图。 我们将我们的方法与15个城市的分割方法进行了比较,发现在5%的错误率下,RoadTracer正确地捕捉到了这些城市45%以上的路口。

论文的贡献

1)提出了RoadTracer方法,利用迭代图构造方式检测影像中的路网,每次迭代时都使用CNN决策网络判断是否将一部分路网加入到已经创建的路网中。这种方法能够避免复杂的后处理过程,从而提高路网检测的精度;
2)提出了一种综合强化学习的CNN决策网络,使用动态标签的方式训练该CNN网络,即同时生成训练数据和训练网络,进而提高CNN决策函数的精度。

iterative-deep-learning
code:https://github.com/carlesventura/iterative-deep-learning

摘要

本文研究了从航空图像中估计道路网络拓扑结构的任务。在对图像

你可能感兴趣的:(深度学习,地物分类,遥感图像,道路区域提取)