没有合适的资源?快使用搜索试试~ 我知道了~
利用众包GPS数据提取航空影像中的道路
1利用众包GPS数据从航空影像中提取道路孙涛,翟宗林,车鹏宇,刘春,王银同济大学,上海,中国{suntao,dizonglin,chepengyu,liuchun,yinw}@ tongji.edu.cn摘要深度学习正在彻底改变地图行业。在轻量级的人类策展下,计算机使用高分辨率航空图像在开放街道地图(OSM)上生成了泰国近一半的道路。Bing地图显示了美国1.25亿个计算机生成的建筑多边形。虽然比手工绘制地图效率高得多,但人们不能从空中绘制出所有的东西.特别是对于道路,由图像遮挡引起的小的预测间隙使得整个道路对于路由无用。错误的连接可能更危险。因此,基于计算机的映射通常需要本地验证,这仍然是劳动密集型的。 在本文中,我们建议利用众包GPS数据,以改善和支持从航空影像中提取道路。通过新的数据增强,GPS渲染和1D转置卷积技术,我们显示了比以前的竞争获奖模型近5%的改进,以及在预测新区域时更好的鲁棒性,而无需任何新的训练数据或域自适应。1. 介绍航空图像分割是一个活跃的研究领域超过二十年[4,17]。它也是深度卷积神经网络(CNN)最早的应用之一[19]。今天,通过在高分辨率卫星图像上使用深度卷积神经网络,Facebook已经为OpenStreetMap(OSM)增加了37万公里的计算机生成道路[3]泰国,占该国道路总数的46%,所有Facebook用户都可以看到[1,22]。微软使用类似的技术向Bing地图中添加了1.25亿个建筑多边形,比OSM上的人多五倍[29]。尽管有现实世界的应用,航空影像制图有其局限性。最大的挑战是过度拟合。深度神经网络模型通常会随着新的地形、新的建筑风格、新的图像风格或新的分辨率而恶化除了模型限制之外,植被、建筑物和阴影的遮挡可能会过度。许多(a) 如果没有GPS,树木、建筑物和阴影的遮挡是一项挑战(b) 在没有GPS的情况下,后处理中容易过度连接的道路图1:当单独使用航空影像不充分或具有挑战性时,众包GPS数据有助于道路提取。这里每个红点代表一个出租车GPS样本。特征与空气无法区分,例如,土路和光秃秃的田野,水泥路面和建筑物顶部,贫民区的小巷。恶劣的天气、低卫星角度和低光照角度进一步使问题复杂化。即使特征非常清楚,映射通常也需要本地知识。小径和道路可能具有相同的外观。房屋和仓库可能有类似的大小和屋顶。更糟糕的是,映射对错误的容忍度很低。特别是道路,不正确的路线会导致旅行时间延长,导致人们进入限制区域,甚至导致致命事故[34]。由于这些原因,OSM更喜欢每个区域的本地映射器,甚至需要对大规模编辑进行本地验证[1]。使用智能手机或任何其他GPS设备,75097510可以轻松地在街道上行走,并通过记录的轨迹验证其存在。然而,系统地定期检查所有街道以进行更新是一项劳动密集型工作,成本高且容易出错。另一方面,众包GPS数据便宜得多,而且越来越丰富[6,12,15,26,34]。图1说明了众包GPS数据如何帮助发现道路、确认道路连续性并避免错误连接,尽管这些数据存在噪声。在本文中,我们提出了融合众包GPS数据与航空影像的道路提取。通过北京和上海的大型出租车和公交车GPS数据集,我们发现众包GPS数据在变化和偏差方面都存在过多的噪声,并且在密度,分辨率和分布方面存在高度差异。通过将GPS数据作为新的输入层与分割网络中的RGB通道一起渲染,再加上我们新颖的GPS数据增强技术和1D转置卷积,我们的模型明显优于单独使用图像或GPS数据的现有模型。我们的数据增强对过拟合特别有效。当预测一个新的区域时,性能下降远小于仅使用图像输入的模型,尽管完全不同的GPS数据量和分辨率。我们已经发布了代码1,我们的数据可应要求提供。2. 相关工作航空影像分割一直是航空影像领域的研究热点.我们建议读者参考一些性能研究和早期算法的参考文献[4,17]。像许多其他图像处理问题一样,这些早期的解决方案通常在精度上受到限制,并且难以推广到真实世界的数据集。Mnih首先使用类似于LeNet的深度卷积神经网络[13]从美国的1.2米/像素数据集中提取道路和建筑物。[18,19]。在道路和建筑更加多样化的发展中国家,Facebook表明,更深的神经网络在50 cm/像素的数据集上表现得更好[33]。这两种早期方法都通过对中心正方形的每个像素进行分类,将语义分割问题转换为分类问题32 x 32,如道路或建筑物从一个较大的图像补丁,例如,128 × 128将这些中心正方形拼接在一起是大输入图像的最终输出。撇开性能问题不谈,由于输入大小有限,这种分类方法无法学习随着30 cm/像素卫星图像和低成本航空摄影无人机的商业可用性,更多的公共高分辨率数据集变得可用[10,11,32,35,36]。这些新的数据集和工业利益导致最近的研究活动激增[5,16,31,40]。1https://github.com/suniique/基于全卷积神经网络架构的语义分割模型成为主流[27]。在最近的挑战[10]中,所有顶级解决方案都使用了U-net [24]或Deeplab [8]的变体更大的输入大小提供更多的上下文,这通常会导致更结构化和更准确的预测结果。随着新模型和多国规模数据集的出现,许多现实世界的应用程序出现了。最值得注意的是,Facebook最近将从卫星图像中提取的37万公里道路添加到OSM [3]泰国,占该国总道路的46%[1,22]。微软在必应美国地图上显示了1.25亿个计算机生成的建筑物多边形,而OSM也显示了2300万个多边形,这些多边形大多是手动创建或导入的[29]。与其他计算机视觉应用相比,道路地图的误差很小。预测间隙使得整条道路对路由毫无用处,因此引起了广泛的关注。Mnih很早就注意到了这个问题,并在后处理中使用条件随机场来连接破碎的道路[18]。另一种流行的连接道路的技术是最短路径搜索[16,33]。线积分卷积也可以在后处理中平滑破碎的道路[14]。 最近的一些著作试图解决这个问题在预测而不是后处理中,例如,通过拓扑感知损失函数[20]或通过CNN引导的迭代搜索过程[5]。我们必须小心连接道路,因为不正确的连接比路线中的缺失连接更危险。我们的方法是对上述方法的补充,因为GPS数据可以确认连通性或不连通性,而不考虑图像遮挡或其他问题。从GPS轨迹进行道路推断也已经研究了很长时间[9,23,25]。大多数早期的工作使用来自受控实验的密集GPS样本。最近的工作探索了各种采样间隔和噪声水平下的众包GPS数据[6,12,15,26,34]。核密度估计是对GPS噪声和视差鲁棒的流行方法[6,9,15]。使用全球定位系统数据和航空图像的研究工作有限。一种想法是在道路推断之前通过道路分段来过滤GPS噪声[37]。我们的初步工作探索了将GPS数据渲染为新的CNN输入层的想法,但使用的分割模型有点过时,并且GPS数据来自受控的实验室[28]。本文使用许多最先进的分割模型和众包GPS数据集进行实验,这些数据集大了几个数量级,噪音也更大。3. 众包GPS数据我们分别从北京和上海收集了两个出租车和公交车GPS数据集北京的数据集大约是7511可能是出租车等候区。移位数据可能会发生未对准,例如,图2c,或者在获取数据时具有不同的时间图2d.6710641051024103010060120180 240 360+电话:+86-510 - 8888888传真:+86-510 -8888888(a) (b)等候区(a) 北京采样间隔(s)(b) 北京样本车速(km/h)671061010510241031010060120180 240 360+0 50100150200255+(c) 上海采样间隔(s) (d)上海样本速度(km/h)图3:采样间隔和速度(c)(d)数据过时图2:众包GPS数据一周的数据,大约2.8万辆出租车和8100万个样本。上海的数据集持续了大约半年,大约有1.6万辆出租车和15亿个样本。在这两种情况下,每个样本都包括时间戳、纬度、经度、速度、方位和滑行状态标志。虽然出租车的行为和轨迹与其他GPS数据源不同,但我们相信我们数据集中的许多特征和问题都具有代表性。因此,我们的方法适用于其他数据集。在理想条件下,GPS样本遵循2D高斯分布[30]。如果样本是密集且均匀分布的,则预测道路可以是笔直的。实际上,多路径误差发生在城市峡谷、隧道内以及高架公路或桥梁下。GPS接收器在质量和分辨率上各不相同,并且可能集成非高斯的卡尔曼滤波器。一些数据集故意降低分辨率和/或添加随机噪声以用于隐私保护。图2a是主要由于城市峡谷和高架道路而产生的噪声GPS样本的示例。即使样本是完美的高斯分布,与受控实验或调查不同,众包GPS数据也不是沿着每条道路均匀分布的。高速公路和交叉口的数据量可能比其他道路区域多几个数量级.一些居民区的道路根本不通行。根据数据来源的不同,可能会有非道路区域的样本集中。图2b示出了主干道外的三个高密度集群表1:我们数据集中的典型测量分辨率决议数据集北京上海纬度/经度(度)速度(公里/小时)方位(度)1/100,000 1/60,000或1/10,0001或2 1或23或10 2或45不同的车辆可以使用具有不同设置的不同GPS接收器。图3显示了我们数据集的采样间隔和设备测量速度的对数尺度分布。从图中可以明显看出,不同的出租车有不同的采样间隔设置,最明显的是北京数据集为10、60、180和300秒,上海数据集为16和61秒。速度分布呈现两层轮廓曲线,这是因为样品具有不同的速度分辨率,最常见的是1和2 km/h。因此,外层对应于偶数,内层对应于奇数。纬度、经度和方位也有不同的分辨率,总结见表1。北京的大多数出租车都在10-5度,或大约1米。上海出租车的分辨率低至10−4度,约10米。我们的卫星图像分辨率为50厘米/像素,高于我们的GPS数据。因此,随着数据量的增加,存在马赛克效应,其中一些像素没有GPS样本,而一些像素可能具有多个样本;见放大的图2。众包的GPS数据既便宜又丰富。一个区域可以有多个数据集。我们必须开发一个对不同数据特征鲁棒的模型,这样就不需要用新的数据集重新训练模型。数量的样本数量的样本101010101041007512…4. 方法通过将GPS数据渲染为RGB通道等新的输入层,我们的方法适用于所有现有的基于CNN的语义分割网络。 GPS数据增强防止过拟合,并针对不同的GPS数据特征给出了一个鲁棒的模型。用一维转置卷积代替解码器中的3×3转置卷积,作为图像并与RGB通道连接作为分割网络的输入;参见图4a。因此,我们的方法适用于大多数现有的分割网络。更具体地,基于输入图像坐标,我们查询数据库以获得该区域中的相关GPS数据,并获得例如n个样本,其中每个样本i具有坐标lati、loni以及其他特征,如采样间隔和车辆。循环速度f(1),. f(k)。比如图像增强ii的其余部分称为1D解码器本文4.1. 架构在图像处理训练中,我们增强了GPS数据以防止过度拟合。然后,我们根据使用的特征数量将数据渲染为一个或多个图像层与自然物体不同,道路很细,很长,而且通常是直的。在大多数CNN架构中占主导地位的方形内核对于道路来说,需要一个非常大的正方形来覆盖一条很长的直路,在那里许多像素可能是无关紧要的。1D过滤器与道路形状更加一致。我们发现,这些一维滤波器是最有效的-作为3×3转置卷积的替代,如图的下半部分。4A描述设k∈R2r+1表示一维转置卷积大小为2r+ 1的滤波器,且yI ∈RH×W是一维的结果输入x∈RH×W和滤波器k的转置卷积在方向I=(Ih,Iw)处。我们有yI[i,j]=(x<$Tk)I=XRt=−rx[i+Ih t,j+Iw t]·k[r−t](一)(a) 概述其中,x∈Tk是转置卷积运算,I是1D滤波器的方向指示符向量,其对于水平、垂直、前向对角线和后向对角线转置取四个值(0,1)、(1,0)、(1,1)、(-1,1卷积,分别在图中所示4b.水平垂直正向诊断 反向诊断我们设置r= 4,因此每个1D滤波器有9个参数,与3×3转置卷积滤波器相同。我们的1D解码器将每个3×3转置卷积层替换为四个方向的四组1D滤波器,concatenate(b) 一维转置卷积块图4:网络架构在 DeepGlobe'18 道 路 提 取 挑 战 中 [24] 和 DeepLab[8]。获胜团队修改了LinkNet [7],这与U- net非常相似,通过添加扩张卷积来适应更大的输入大小并产生更结构化的输出,称为D-LinkNet [39]。我们建议将GPS数据连锁每组中1D滤波器的数量是3×3滤波器总数因此,网络参数的总数和计算成本保持不变。我们的1D解码器对道路对于稀疏的GPS样本,例如,住宅道路,通过减少预测的差距。4.2. 数据增强深度CNN是非常复杂的模型,容易过拟合,特别是对于相对简单且结构良好的GPS数据。在我们的实验中,在没有任何数据增强的情况下添加GPS图层会导致一个表面模型,该模型在GPS数据密集的情况下增强基于RGB的预测,并在没有数据的情况下抑制预测。GPS数GPS增强特征提取最后l%&$美元⋮ ⋮$⋯)最后nl%n$中国$$⋱ ⋮⋯(n渲染分割网络空中图像预测1D解码器…1D滤波器2×插值…1D转置卷积上采样…75131050016643248105001664324848163264 048321664 0(a) 原始数据20001664324848163264 0(c) 亚分辨率(b)二次抽样105001664324848321664 0(d) 随机遗漏(a) (b)对数比例图6:图6的高斯核渲染。2a有许多不同的方法来渲染图像。例如,在图。2,当且仅当至少有一个GPS样本投影到像素时,我们将像素渲染为白色。此方法仅适用于小数据集。随着GPS数量的增加,噪声扩散并且太多的像素将是白色的,图5:GPS数据增强GPS数据。此外,该模型对GPS数量和质量非常敏感。例如,如果我们完全删除GPS输入,预测结果比仅使用RGB图像输入为了防止过拟合,我们提出了• 对输入的GPS数据进行• 将输入GPS数据的分辨率降低一个随机因子,以下称为子分辨率• GPS数据• 忽略GPS数据图5展示了其中一些增强技术。图5a显示了64 x 64图像块上的GPS样本条的高度指示投射到相同像素的样本的数量图5b从图5b中随机抽取60%的样本5a. 图5c将所有样本减小到其原始分辨率的1/8,使得样本被聚集到一小组像素。许多GPS数据具有低分辨率,这要么是因为使用了不合适的GPS接收器,要么是因为隐私保护。此外,次分辨率导致剩余像素的值比原始数据高得多在我们的实验中,使用亚分辨率训练的模型更好地处理了大量的GPS数据。图5d省略了左侧32 x 32正方形上的样本。4.3. 渲染增强后,我们必须将GPS数据渲染为图像层,以与RGB图像输入连接类似于图2a.代替二进制图像,我们可以使用灰度图像,其中每个像素处的数字指示投影到它的样本的数量,因此随着数量的增加,道路像素将具有比噪声像素更高的值受核密度估计(KDE)的启发,我们也可以对GPS数据进行高斯核平滑。图6a是图6的高斯核渲染。2a.由于公路与居民区道路数据的差异性,对数尺度可以使不经常行驶的道路更加突出。例如图如图6b所示,底部的水平道路变得比线性标度中更可见。当GPS数据数量有限但采样频率较高时,在连续样本之间添加线段会有所帮助[15],这是渲染GPS数据的另一种方法在我们的例子中,由于采样频率较低,这些线段通常会缩短我们的1D解码器在具有稀疏sam的道路上具有类似的效果这些参数不受采样间隔的影响。其他GPS测量可用于道路提取。我们将这些测量结果作为单独的输入层进行渲染。更具体地,间隔层、速度层和方位层的像素值分别是投影到像素的所有样本的方位的平均采样5. 实验我们使用来自两个城市的卫星图像和GPS数据集进行实验,并在这里报告我们的结果。数据集对于卫星图像,我们从高德地图上抓取了350张北京图像和50张上海图像[2]。所有这些图像的大小为1024 x 1024,分辨率为50厘米/像素,总面积约为100平方公里。就像深渊-数量的样本数量的样本数量的样本数量的样本7514表2:不同的输入和模型组合输入方法测试集上的IoU(%)纯一维解码器KDE [9]34.06-DeepLab(v3+)[8]47.65-GPS[24]第二十四话[38]第三十八话43.63 48.1045.33 48.52LinkNet [7]49.9851.06[39]第三十九话48.46 49.95DeepLab(v3+)43.40-U-Net51.85 52.10图像Res U-Net50.26 51.77LinkNet53.96 54.84D-LinkNet54.4255.15DeepLab(v3+)50.81-U-Net53.22 54.88图像+GPSRes U-Net52.29 54.24LinkNet57.48 57.89D-LinkNet56.9657.96Globe数据集,我们通过屏蔽图像中的道路像素为了便于比较,我们选择与DeepGlobe数据集相同的它也是一个合适的大小,因为较小的大小将丢失上下文,而较大的大小可能不适合GPU内存。DeepGlobe数据集适用于更大的区域,但我们没有该区域的GPS数据用于实验。其他一些研究工作使用大型数据集,通过渲染具有固定宽度的OSM道路向量,通常用于发达国家[5,18]。发展中国家的道路宽度变化更大,OSM上普遍存在因此,我们必须手动标记道路像素然而,我们的数据集是不使用DeepGlobe数据集或OSM标签的研究工作中最大的数据集之一[16,40]。我们的GPS数据集是出租车和公共汽车样本,包括时间戳、纬度、经度、速度、方位和车辆状态标志。如第3节所述,我们的GPS数据集来自不同的设备,具有不同的采样率和不同的测量分辨率。与竞赛和其他研究工作类似,我们使用交集作为主要的评价标准,并报告所有测试图像块之间的平均IoU。我们将数据集随机分为三个部分,70%用于训练,10%用于验证,其余20%用于测试。除了最后一个实验评估我们的模型预测新区域的能力之外,我们只使用北京卫星图像和GPS数据集进行训练和测试。我们的GPS渲染方法适用于所有的前分割模型。在这里,我们选择DeepLab、U-Net的两个变体和LinkNet的两个变体进行评估。U-Net的两个变体分别是原始版本和使用ResNet风格的编码器和解码器,表示为ResU-Net。LinkNet的两个变体是原始版本和在DeepGlobe挑战中获得最佳性能的对于仅使用GPS输入的道路提取,我们还添加了KDE方法进行比较,因为它是使用传统机器学习技术的最佳方法[15]。基线我们的第一个实验采用GPS输入单独使用;参见表2的顶部。对于KDE方法,由于我们只测量IoU而不提取道路中心线,因此我们简单地选择最佳的核大小和阈值来二值化高斯平滑图像。结果表明,深度神经网络在仅从GPS数据中提取道路方面比KDE方法表现得更好。我们的1D解码器对相对较浅的神经网络非常有用,并且对更复杂的模型增加了约1%。LinkNet在这里显示了最好的结果。虽然D-LinkNet在DeepGlobe挑战中表现更好,但其比LinkNet更复杂的复杂性导致相对简单的GPS数据更严重的过拟合我们没有将1D解码器应用于DeepLab,因为它使用了没有任何转置卷积的双线性插值解码器。接下来,我们研究了不同的分割模型的性能与卫星图像输入只;参见表2的第二部分。结果与DeepGlobe挑战中报告的数字一致,其中D- LinkNet略优于其他模型[39]。我们测试中的最佳IoU低于挑战中的数字,因为北京地区比挑战中使用的农村地区和城镇更具挑战性许多道路完全被旧市中心地区的树冠阻挡,道路边界不 容易 用流 行的 快 速/本 地/ 自 行车 道系 统来 定 义DeepLab在我们使用的模型中性能最差。视觉上检查输出显示出比其他模型输出更粗糙的边界,可能是由于使用双线性插值解码器而不是转置卷积。最后,在图像和GPS输入的情况下,D- LinkNet仍然是表现最好这里,附加GPS输入的最大对于在图像输入上表现相对较好的其他模型,性能增益约为2%,1D解码器增加约1%。增强图7显示了我们的GPS数据增强的有效性。图7a和图7b分别是具有输入数据的子集和输入数据的降低的分辨率的不同增强技术的性能。通过我们的数据增强,我们的模型不仅在降级的GPS数据输入下表现得更好,而且比顶级性能提高了约0.5%。如第4.3节所述,图8显示了不同内核大小和不同渲染比例的高斯内核渲染的性能。我们也751559575553514947451/81/41/2表3:使用全球定位系统功能和数据扩充设置(全部使用D-LinkNet)IoU(%)图像54.42图像+GPS56.96图像+ GPS + 1D解码器57.96图像+ GPS +一维解码+增强。58.55图像+ GPS +间隔+ 1D解码器58.55图像+ GPS +间隔+一维解码+增强。59.181(a) 不同GPS数量59575553514947451/8 1/4 1/21(b) 不同GPS分辨率图7:GPS数据增强结果(D-LinkNet图像+GPS输入)试验了GPS测量值、采样间隔、车速和车辆方位的各种组合。单独添加另一个采样间隔输入层可以获得最佳性能增益。在此基础上,我们对GPS数据使用了两个输入层,并对采样间隔通道和核大小为3的GPS样本进行了高斯核渲染。表3是仅使用图像输入的基线上的各种改进的总体性能增益总体而言,我们实现了4.76%的业绩增长。58565452当GPS输入被添加时的选项。 地图匹配可以提供通过拓扑结构将GPS轨迹与道路进行匹配来增加置信度[21],这超出了本文的范围。(a)卫星图像上的GPS样本(b)GPS图9:使用GPS数据的新的测试区域表4是使用不同的训练数据和方法对我们的上海数据集进行测试的结果。尽管GPS数据特征不同,但很明显,使用额外GPS输入的预测在新领域中更具弹性,使用两个数据集训练的模型的IoU下降了 18.9% , 而 仅 使 用 图 像 输 入 训 练 的 模 型 下 降 了31.6%。当采用GPS数据增强时,性能增益得到增强,证实了其对过拟合的影响。表4:上海测试数据集结果1 3 5 9 21 54 99图8:不同高斯核大小如第1节所述,通常需要对地图进行本地验证。图9显示了众包GPS数据如何在没有当地调查的情况下用于验证目的。这里,绿色像素是由仅图像输入和定性结果图10显示了使用北京数据集训练的不同方法在北京和上海不同测试区域图像+ GPS输入,而红色像素是仅图像输入的高置信度预测,但低置信度预测,只.总体而言,使用GPS数据的预测仅在很大程度上与样本分布相匹配。在仅输入图像的无增强子采样子分辨率不作为摄动最佳组合无增强子采样子分辨率不作为摄动最佳组合IoU(%)对数标尺IoU(%)IoU(%)火车方法IoU(%)相对北京+上海GPS图像图像+ GPS(无增强)图像+ GPS(有增强)44.8855.7659.3060.00––––GPS42.82-4.6%北京图像图像+ GPS(无增强)38.1644.57-31.6%-24.9%图像+ GPS(带增强功能)48.69-18.9%7516卫星+GT GPS点GPS仅图像仅图像+GPS(平原)图像+GPS(我们的)(a)北京(b)BJ(c)BJ(d)SH(e)SH图10:仅在北京数据集上训练的北京和上海测试数据集上使用不同方法的预测结果遮挡和其它图像问题会导致性能差。图像和GPS输入都给出了最好的结果,我们的增强技术给出了更清晰的输出。作为示例,红色箭头所指的区域显示使用GPS数据的模型删除的假阳性。第一排是铁路,第三排是GPS噪音。红色正方形显示的是一个树冠密集、GPS样本相对稀疏的只有将影像数据与GPS数据相结合,才能提取出相对完整的道路网.6. 结论对于大规模的众包GPS数据集,将GPS数据与航空图像输入相融合,比单独使用图像或GPS数据与深度神经网络模型提供更好的道路分割结果。灵感来自图像augmen-7517站技术,我们的GPS数据增强是非常有效的过拟合,因此,我们的方法表现得更好,在新的测试领域比其他模型。根据我们的经验,航拍图像最适合用于居民区道路检测,因为它们相对简单,数量多,并且很少旅行。相比之下,即使对于复杂的高速公路系统和严重的图像遮挡,GPS数据也可以轻松地恢复干线道路。因此,这两个数据源可以很好地互补道路提取任务。确认我们感谢匿名评论者的宝贵反馈。本研究得到了国家自然科学基金面上项目41771481、上海市科学技术委员会项目17511104502和Facebook捐赠基金的资助。7518引用[1] AI 辅 助 道 路 追 踪 wiki.openstreetmap.org/wiki/AI-Assisted_Road_Tracing. 一、二[2] 高德地图。www.amap.com网站。 5[3] 开放地图。www.openstreetmap.org网站。一、二[4] S. 阿克索伊湾Ozdemir,S.Eckert,F.Kayitakire,M.佩萨拉西,O.艾特金角C. Borel,J. Cech,E. Christophe,S. Duzgun等人建筑物检测和数字表面模型提取算法的性能评估:PRRS 2008算法性能竞赛结果。研究所遥感模式识别讲习班。IEEE,2008年。一、二[5] F. Bastani,S.他,S.Abbar,M.阿里扎德巴拉克里希南S.舒拉河,西-地Madden和D.德威特道路追踪:自动提取道路网络从航空影像.在计算机视觉和模式识别(CVPR),2018年。二、六[6] Biagioni和J.埃里克森面对噪声和视差的地图推理。在SIGSPATIAL地理信息系统(GIS)会议上,2012年。2[7] A. Chaurasia和E. Culurciello。Linknet:利用编码器表示法 进 行 有 效 的 语 义 分 割 . 在 视 觉 通 信 和 图 像 处 理(VCIP),2017年。四、六[8] L- C. Chen,G.帕潘德里欧岛科基诺斯角墨菲和A. L.尤尔。Deeplab:使用深度卷积网络、atrous卷积和完全连接的crfs进行语义图像分割。IEEE transactionson pattern analysis and machine intelligence,40(4):834-848,2018。二、四、六[9] J. J. Davies,A. R. Beresford,和A.霍普可扩展、分布式、实时地图生成。IEEE普适计算,5(4):47-54,2006。二、五、六[10] I. 德米尔角Koperski、D.Lindenbaum,G.Pang,J.黄先生,S.巴苏F. Hughes,D. Tuia和R.拉斯卡Deepglobe 2018:通过卫星图像解析地球是一个挑战。计算机视觉与模式识别(CVPR)工作坊,2018年。二、四[11] B. Huang,K. Lu,N. Audebert,A. Khalel,Y. 塔拉巴尔卡J. Malof,A. Boulch湾勒索湖Collins,K. Bradbury等人大规模语义分类:INRIA航空图像标记基准第一年的成果 。 IEEEInternational Geoscience and Remote SensingSymposium(IGARSS),2018年。2[12] S. Karagiorgou,D. Pfoser和D. Skoutas。一种分层的方法,用于从车辆跟踪数据中更鲁棒地生成道路网络地图。ACM Transactions on Spatial Algorithms and Systems(TSAS),3(1):3,2017。2[13] Y.勒昆湖Bottou,Y. Bengio和P.哈夫纳基于梯度的学习应用于文档识别。Proceedings of the IEEE,86(11):2278-2324,1998. 2[14] P. Li,Y.藏角,澳-地Wang,J.Li,M.成湖,澳-地Luo和Y.Yu.通过深度学习和线积分卷积提取道路网络。IEEEInternationalGeoscienceandRemoteSensingSymposium(IGARSS),2016年。2[15] X. 刘,J.Biagioni,J.Eriksson,Y.Wang,G.福尔曼,Y.竹挖掘大规模、稀疏的gps轨迹用于地图推断:方法的比较。在ACM SIGKDD interna-75192012年知识发现和数据挖掘会议。二、五、六[16] G. 我也是W. Luo和R. 乌塔松Deeproadmapper:从航空影像中提取道路拓扑.在IEEE国际计算机视觉会议(ICCV),2017年。二、六[17] H. Mayer,S.欣茨大学Bacher和E.Baltsavias。自动道路 提 取 方 法 的 试 验 International Archives ofPhotogrammetry , RemoteSensing , andSpatialInformation Sciences,36(3):209-214,2006. 一、二[18] 诉嗯机器学习用于航空图像标记。博士论文,多伦多大学,2013年。二、六[19] V.Mnih和G. E.辛顿学习从噪声数据中标记航空图像。2012年国际机器学习会议(ICML)。一、二[20] A. J. Mosinska,P. Marquez Neila,M. Kozinski和P.呸超越拓扑感知描绘的像素损失。在计算机视觉和模式识别(CVPR),2018年。2[21] P. Newson和J.克鲁姆通过噪声和稀疏性进行隐马尔可夫映射匹配。2009年,SIGSPATIAL地理信息系统会议。7[22] D.帕特尔OSM在Facebook地图的状态,2018年。一、二[23] S. Rogers,P. Langley,and C.威尔逊挖掘gps数据以增强道路模型。在1999年ACM SIGKDD知识发现与数据挖掘国际会议上. 2[24] O.龙内贝格山口Fischer和T.布洛克斯U-net:用于生物医学图像分割的卷积网络。医学图像计算和计算机辅助干预国际会议,第234-241页。施普林格,2015年。二、四、六[25] S.Sch roedl , S.Schr oedl , K.Wagsta f f , S.Rogers,P. Langl ey和C.威尔逊挖掘GPS轨迹以改进地图数据挖掘知识发现,9(1):59-87,2004. 2[26] Z.山,H.吴,W. Sun和B.郑蛛网:一个使用gps轨迹的 强 健 地 图 更 新 系 统 。 ACM InternationalJointConference on Pervasive and Ubiquitous Computing(UbiComp),2015年。2[27] E. Shelhamer,J. Long和T.达雷尔。用于语义分段的全卷积网络。IEEE Transactions on Pattern Analysisand Machine Intelligence,39(4):640-651,2017。二、四[28] T. 太阳,Z.Di和Y.王. 结合卫星影像与全球定位系统资料进行道路撷取。2018年。SIGSPATIAL地理信息系统会议讲习班。2[29] M.特里富诺维奇机器人跟踪器-使用cntk的比例提取和分类。地图的状态,2018年。一、二[30] F.范·迪格伦。Gnns精度:谎言,该死的谎言,还有静电。GPS World,第26-32页,2007年。3[31] M. Volpi和D. Tuia用卷积神经网络实现亚分米分辨率图 像 的 密 集 语 义 标 注 。 IEEE Transactions onGeoscience and Remote Sens- ing , 55 ( 2 ) : 881-893,2017。2[32] S. Wang,M. Bai,G. Mattyus,H.朱,W。洛湾,巴西-地小杨,J. Liang,J. Cheverie,S. Fidler和R.乌塔松多伦多市:用一百万只眼睛看世界。2017年国际计算机视觉会议(ICCV)。27520[33] Y.王.在Facebook上缩放地图。在SIGSPATIAL会议上,地理信息系统(GIS),2016年。基调。2[34] Y. Wang,X. Liu,H. Wei,G.福尔曼角Chen和Y.竹Crowdatlas:用于云和个人使用的自更新地图。在移动系统、应用和服务国际会议(International Conferenceon Mobile Systems , Applica- tions , and Services ,2013)中。一、二[35] G.- S. Xia、X.白氏J.叮,Z。Zhu,S.贝隆吉,J.罗M.达特库M. Pelillo和L.张某Dota:用于航空图像中物体检测 的大 规模 数据 集。 在计算 机视 觉和 模式 识别(CVPR),2018年。2[36] N. Yokoya,P. Ghamisi,J. Xia,S.苏哈诺夫河埃尔曼,I. 坦科约湾贝希特尔湾勒索湾Moser和D.Tuia全球多模态土地利用分类的开放数据:2017年IEEE GRSS数据融合 竞 赛 的 结 果 。 IEEE Journal of Selected Topics inApplied Earth Observations and Remote Sensing , 11(5):1363-1377,2018。2[37] J. Yuan和A.M. Cheriyadat。基于图像特征的gps轨迹滤波及其在道路网生成和道路分割中的应用。Machine Vision and Applications,27(1):1-12,2016. 2[38] Z.郑新湖Qingjie和W.云鸿。利用深度残差u网提取道路。在IEEE Geoscience AND RE-MOTE SENSING LETTERS,2017. 6[39] L. Zhou C. , 中 国 青 冈 C. Zhang 和 M. 吴 D-linknet :Linknet具有预训练的编码器和用于高分辨率卫星图像道路 提取 的扩 张卷 积。 在计算 机视 觉和 模式 识别(CVPR)研讨会,2018年。四、六[40] X. X. Zhu,D.图亚湖Mou,G.-S. 霞湖,加-地Zhang,F.xu和F.弗劳恩多夫遥感深度学习:一个全面的审查和资源清单。IEEE Geoscience and Remote Sensing Magazine,5(4):8-36,2017。二、六
下载后可阅读完整内容,剩余1页未读,立即下载
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 基于单片机的瓦斯监控系统硬件设计.doc
- 基于单片机的流量检测系统的设计_机电一体化毕业设计.doc
- 基于单片机的继电器设计.doc
- 基于单片机的湿度计设计.doc
- 基于单片机的流量控制系统设计.doc
- 基于单片机的火灾自动报警系统毕业设计.docx
- 基于单片机的铁路道口报警系统设计毕业设计.doc
- 基于单片机的铁路道口报警研究与设计.doc
- 基于单片机的流水灯设计.doc
- 基于单片机的时钟系统设计.doc
- 基于单片机的录音器的设计.doc
- 基于单片机的万能铣床设计设计.doc
- 基于单片机的简易安防声光报警器设计.doc
- 基于单片机的脉搏测量器设计.doc
- 基于单片机的家用防盗报警系统设计.doc
- 基于单片机的简易电子钟设计.doc
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)