OpenStreetMap 和 SpaceNet 道路比较
这篇文章旨在为这个新数据集的实用性提供动力。在自动道路网络提取等领域，我们证明此类功能优于当前最先进的方法，并且可以回馈 OpenStreetMap (OSM )以改进困难地区的标签。
一OSM数据
在世界许多地区，OpenStreetMap ( OSM ) 道路网络非常完备。然而，在发展中国家，OSM 标签通常缺少元数据标签（例如限速或车道数），或者与高空图像的配准不佳（即标签偏离图像的坐标系）。一个活跃的社区努力使道路网络保持最新状态，但在面对大规模灾难时，此类任务可能具有挑战性且耗时。例如，在飓风玛丽亚之后，人道主义 OpenStreetMap 团队 (HOT) 花了两个多月的时间才绘制出完整的波多黎各地图。
二 SpaceNet数据集
卫星成像星座的频繁重访可能会加快现有的快速更新道路网络和路线信息的努力。因此，从卫星图像中提取道路网络和估计行程时间的全自动方法值得研究。这样的调查需要一个大型且标记良好的数据集，而这正是SpaceNet数据集旨在实现的目标。
SpaceNet 现在包含 10 个城市，具有多种图像类型（例如全色、多光谱、RGB）以及附带的手工标记的建筑物足迹和道路中心线。最新的 SpaceNet 5 数据集在 SpaceNet 语料库中添加了 4 个城市，以及这四个城市的道路中心线和元数据标签。
三 SpaceNet 和 OSM 训练模型的比较
我们在大规模道路网络提取后表明，在 SpaceNet 标签上训练和测试的CRESI模型优于在 OSM 数据上训练和测试的模型（APLS 得分提高 64%）。这可能部分是由于 SpaceNet 标签团队采用了更统一的标签模式和验证程序，以及 SpaceNet 数据的图像和标签的空间配准更精确。
图 1：SpaceNet 与 OSM 的比较
拉斯维加斯图像芯片样本的道路预测（黄色）和地面真实 SpaceNet 标签（蓝色）。OSM 模型预测 (a) 比 SpaceNet 模型预测 (b) 与地面真实标签的偏移略大。
现有的算法方法
最近有几篇著名论文探讨了从高空图像中提取道路网络。麻省理工学院的RoadTracer论文采用了一种有趣的方法，即使用 OSM 标签直接从图像中提取道路网络，无需中间步骤（例如分割）。本文使用 60 厘米分辨率的谷歌俯视图（回想一下 SpaceNet 道路数据集的分辨率为 30 厘米）。虽然这种方法很有说服力，但根据作者的说法，它“在道路靠得很近的区域中苦苦挣扎”[ 1 ]，并且在应用于具有密集标签的高分辨率 SpaceNet 数据时，其性能不及其他技术，例如分割 + 后处理。在另一种方法中，Batra 等人 2019使用称为方向学习的连接任务，结合堆叠卷积模块，有效地利用方向学习和分割任务之间的相互信息，从卫星图像中提取道路网络，并指出 RoadTracer 的性能有所提高。
四 算法比较
我们将 RoadTracer 和 Orientation Learning 结果与我们的 CRESI 模型进行了比较，该模型结合了代码和从 SpaceNet 中学到的经验教训以及 CosmiQ 的内部研究。
4.1 SpaceNet数据对比
受 SpaceNet 挑战启发的模型产生 APLS=0.67，当应用于 SpaceNet 测试数据时，这比 Orientation Learning 论文提高了 5%。
4.2 与谷歌/OSM 数据对比
我们还使用 RoadTracer 使用的卫星图像语料库评估性能。该数据集包含 40 个城市的 60 厘米/像素的 Google 卫星图像，其中 25 个用于训练，15 个用于测试。矢量标签是从 OSM 中提取的，我们使用这些标签来训练 CRESI 模型来预测道路网络。我们注意到我们的方法在性能上比 RoadTracer 显著提高了 23%，如下图所示。
图 2. 纽约市的道路推断。(a) RoadTracer 预测（灰色的地面真实 OSM 标签，黄色的预测）。(b) 我们对同一区域的 CRESI 预测（黄色）。
图 2 表明，受 SpaceNet 启发的 CRESI 模型在提取未知城市上空的道路方面比现有方法做得更好。下面我们再展示几个测试城市道路推理的例子。
图 3. RoadTracer（左栏，灰色 OSM 标签，黄色预测）和 CRESI（右栏，黄色预测）对不同城市的性能比较。
从上到下：丹佛、温哥华、匹兹堡。
五 结论
在这篇文章中，我们展示了源自 SpaceNet 挑战并使用 SpaceNet 数据的算法在从卫星图像中提取道路拓扑方面提供了优于先前方法的性能。我们注意到在 SpaceNet 数据集上比已发表的成果提高了 5%。我们还注意到，与之前使用 SpaceNet 派生方法使用 Google 卫星图像 + OSM 标签所做的努力相比，有了 23% 的显着改进，这意味着从 SpaceNet 中吸取的教训适用于各种问题集。我们期待在当前正在进行的SpaceNet Challenge 5的自动道路网络提取和优化路由方面取得更大进展。请继续关注挑战的持续更新和使用Solaris管道的更新基线算法。
感谢您的点赞与转发
页:
[1]