航空影像更新地图的数据集

11905超越道路提取：一个利用航空影像更新地图的数据集FavyenBastani MITCSAILfavyen@csail.mit.eduSamMadden麻省理工学院CSAILmadden@csail.mit.edu摘要卫星和航空图像的日益可用性激发了人们对通过处理航空图像来自动更新街道地图的浓厚兴趣。到目前为止，社区主要集中在道路提取，其中道路网络从空中图像从头开始推断。然而，考虑到世界上大部分地区都存在相对高质量的地图，在实践中，必须应用推理方法来更新现有地图，而不是推断新的地图。随着最近的道路提取方法显示出较高的准确性，我们认为，现在是时候过渡到更实际的地图更新任务，在现有的地图更新，通过添加，删除，和转移道路，而不引入错误的部分现有的地图，仍然是最新的。在本文中，我们开发了一个新的数据集称为MUNO21的地图更新任务，并表明它提出了一些新的和有趣的研究挑战。我们评估了几个国家的最先进的道路提取方法的MUNO21，并发现，将需要实现自动地图更新的准确性大幅进一步提高1. 介绍维护街道地图数据集是一个非常劳动密集型和昂贵的过程，目前有几家公司每年在这项任务上花费数亿美元[14，15]。更新地图的成本，加上航空和卫星图像的可用性不断增加，已经引发了对自动处理航空图像以更新地图的极大兴趣[2，3，8，13，16，17，18，19]。18、19、24、25、29、30、31]。迄今为止，大多数提出的方法集中在道路提取，其中方法推断航拍图像中的所有道路。推断的道路网络通常表示为空间网络，即，其中顶点被分配了经度-纬度坐标并且边缘对应于检测到的道路的图。道路提取方法通常通过将推断的道路网络与地面实况道路网络（在航拍图像中手工标记或从地图数据集获取）进行比较来评估但是，推断的道路网络并不直接有用：实际上，推断方法必须识别现有地图未反映当前物理道路网络的位置，并在这些位置更新地图-重写现有地图将是不明智的，因为它包含街道名称、速度限制、隧道和从鸟瞰图不可见的其它关键特征。用于使用现有道路提取方法更新地图的朴素方法是将推断的道路融合到现有地图中：我们可以首先去除重复已经存在于地图中的道路的冗余的推断道路，并整合剩余的推断道路。然而，该方法具有几个缺点：（a）推断的道路与现有地图之间的连接可能无法准确地推断;（b）现有地图中已经被物理地移除或仅仅是不正确的道路将保留在地图中;以及（c）道路拓扑已经改变的区域（例如，修改为环形交叉口的交叉点）将不能正确更新因此，地图更新不仅比道路提取更直接实用，而且还提出了一些新的和有趣的研究挑战。我们认为，由于最先进的方法报告了道路提取的高准确度分数（在几个指标和数据集[13，25]中介于75%和85%之间），现在是将重点从道路提取转移到更一般和复杂的地图更新任务的时候了在本文中，我们开发了一个大规模的和综合的数据集 的 地 图 更 新 任 务 。 我 们 将 我 们 的 数 据 集 称 为MUNO211，用于MapUpdate-NAIP/OSM，因为我们使用NAIP 航 空 图 像 2 和 OpenStreetMap （ OSM ） 数 据 。MUNO21覆盖的地区总面积超过6000平方公里，遍布美国21个城市。它包括航拍图像和地图数据的时间序列，以捕获物理道路网络和真实街道地图随时间的演变-我们在2012-2019年的八年时间跨度中的四年中每年我们关注美国的部分原因是公共领域航空图像的可用性，但也因为美国是一个1 MUNO21数据集和代码可在https：//favyen获得。com/muno21/.国家农业影像计划（NAIP）域60-100厘米/像素的航空影像在美国大陆119062012年2019年地图(a) 场景标记为建设：一条新道路的建设在航拍图像中很明显。(b) 场景标记为Was-Missing：地图上缺少一条不是最近修建的道路。(c) 场景标记解构：道路被物理移除。(d) 场景标记为Was-Incorrect：地图中有道路，但该道路从未存在于物理道路网络中。(e) 由于道路拓扑更改而具有多个标记的场景。图1：MUNO21中的示例地图更新场景。在地图更新中，一种方法输入空间图像时间序列和现有地图（黑色），并且产生更新的地图。我们在左边显示旧图像，在右边显示新图像。绿色部分尚未在地图中，但应添加;红色部分在地图中，但应删除。地图更新的良好测试用例：OpenStreetMap覆盖范围广，路网拓扑复杂，同时地图变化频繁：在美国，每年建造3万公里的道路3，每月向OSM增加5万公里的道路4。为了评估地图更新方法，我们可以从最新的OSM数据中随机修剪一些道路，并计算方法可以如何准确地恢复3https://www.fhwa.dot。gov/policyinformation/statistics/2013/vmt422c.cfm4“Total Navigable Roads per Month in US”，https：//metrics.improveosm.org/修剪过的道路然而，这将无法捕获我们上面讨论的几个挑战，例如从地图中删除物理上移除的道路。另外，随机修剪的道路将不对应于在航拍图像时间序列中明显的物理道路网络的演变相反，我们通过识别在2012-2019年之间以不可忽略的方式发生变化的OSM区域，将跨越265平方公里的514个真实地图更新场景我们在图1中展示了示例场景。每个场景都由对OSM所做的实际更改组成，因此直接对应于映射更新方法在实践中需要进行的实际更新。在每个场景中，我们应用map update方法来重现对OSM所做的更改：一种方法输入改变前的地图和空间图像时间序列，并且根据其再现改变后的地图的准确程度来评估该方法。为了识别这些场景，我们开发了一种半自动化的注释方法，其中我们首先自动比较连续几年的OSM数据以识别大量的可识别变化，然后手动选择这些变化的子集，其中新地图对应于最近的航拍图像，并且其中变化是明确的。我们将数据集分为10个城市进行训练，11个城市进行测试。除了3000平方公里的空中图像和道路网络对之外，训练集还包括514个地图更新场景中的326个。在这些情况下，当变化对应于在航拍图像时间序列中明显的物理施工事件时，我们还手动标记施工首次可见的年份以及施工明显完成的年份。(In在其他情况下，即使对地图进行改变要晚得多，例如，由于数据集中的旧建筑或虚假道路。）该训练数据对于提高在施工活动之后捕获更新的准确性特别有用，因为施工年份注释使得能够实现随时间比较航拍图像以识别物理添加和移除的道路的训练方法。我们评估了五种最先进的道路提取和地图更新方法，这些方法在MUNO21上公开实施。我们还讨论和评估了现有地图更新方法的扩展，这些方法利用了MUNO21提供的额外时间序列训练数据我们的评估表明，在地图更新问题的准确性方面还有很大的改进空间，我们相信MUNO21将有助于实现从道路提取到地图更新的重点过渡。本文的其余部分组织如下。我们首先在第2节讨论相关工作。然后，我们在第3节中详细介绍MUNO21数据集，并讨论我们的方法11907用于注释数据集，以及建议的评估指标。在第4节中，我们提出了利用MUNO21中新类型训练数据的先前工作的扩展。最后，在第5节中，我们比较了最先进的道路提取方法和我们在MUNO21上提出的扩展。2. 相关工作道路提取。自动道路提取的早期工作提出利用众包GPS轨迹来推断道路网络[4，5，6，7，10，12，20，21，22]。这些方法的灵感来自于GPS数据在人工地图管理中的广泛使用;事实上，OpenStreetMap继续维护由社区贡献的GPS轨迹数据库，用户可以在编辑地图时利用该数据库。然而，GPS轨迹在城市中心之外具有较差的覆盖。随着具有全球覆盖的卫星和航空图像的日益可用性，兴趣已经转向从航空图像自动提取道路。许多方法提出使用CNN分割道路的航空图像[3，17，19，30，31]。为了从分割概率中提取道路网络，通常采用二进制阈值，形态细化和线跟踪的组合[8]。其他技术提出通过逐点搜索过程提取道路网络：RoadTracer和PolyMapper提出用监督学习训练智能体VecRoad通过灵活的步长和联合学习任务扩展了这种方法[25]，而Neural Turtle Graphics通过顺序生成模型扩展了这种方法[9]。另一种最近的技术Sat2Graph提出了一种一次性道路提取过程，其中CNN直接预测道路网络顶点和边缘的位置[13]。地图更新。一些方法已经考虑使用GPS轨迹或航空图像来更新地图。然而，这些方法集中在地图更新问题的狭窄子集仅添加道路），并且由于缺乏大规模和现实 的 数 据 集 ， 评 估 度 量 在 很 大 程 度 上 是 定 性 的CrowdAtlas [28]和COB-WEB [21]提出将GPS轨迹与当前地图匹配，并聚合不匹配的轨迹以形成道路建议。MAiD提出了逐点搜索技术的扩展，用于推断航空图像中未被现有地图覆盖的道路，以及新道路和现有道路之间的连接[1]。数据集。已经策划了若干数据集用于道路提取。DeepGlobe 2018包含2，220平方公里的泰国、印度尼西亚和印度地区的50 cm/像素Maxar卫星图像和相应的道路注释[11]。SpaceNet3包含3000平方公里的卫星图像和拉斯维加斯、巴黎、上海和喀土穆的道路中心线[27]。 据我们所知，MUNO21是用于地图更新任务的第一数据集包括成对的改变前地图和最近的航空图像，以及地面实况改变后地图。此外，与先前的数据集相比，MUNO 21包括航空图像的时间序列，而不是单个时间点的图像;分析同一位置随时间的多个航拍图像对于检测已建道路、已拆道路和道路网络拓扑变化特别有用。3. MUNO21MUNO21数据集整合了国家农业影像计划（NAIP）的航空影像和OpenStreetMap（OSM）的街道地图数据，覆盖了美国21个城市的6，052平方公里的总面积在每个城市，我们使用历史的两年一度的NAIP图像和OSM历史转储来提取2012-2019年之间四年MUNO21的核心组成部分是一组跨越265平方公里的514个地图更新场景，其中在八年期间对OSM中的道路网络进行了实质性更改，以及另外780个无更改场景，其中OSM中的道路网络或航空图像中明显的物理道路网络均未更改。每个方案都指定一个边界box（x，y，w，h）定义了已经改变的窗口、在地图改变之前从OSM获取的改变前地图G以及改变后地图G*。我们将数据集拆分为一个训练集，其中包含10个城市和726个相应的sce-narios，以及一个包含11个城市和568个相应场景的测试集。为了评估一个场景的地图更新方法，我们提供的方法作为输入的变化前的地图G，和在场景窗口的航拍图像的时间序列。该方法应输出新的道路网络G^。在有变化的场景中，我们通过将输出地图G与地面进行比较来衡量该方法捕获变化的程度真理图G*。在没有更改的场景中，该方法不应该对映射进行任何更改;我们使用no-改 变 场 景 以 测 量 方 法 无变 化 情 景 的 分 数 ， 其 中G=G。我们用一个或多个字符来注释训练集中的每个场景更多五个标签：• 无更改（No-Change）表示地图和物理道路均未更改。• “已构建”指示道路已添加到地图，并且该添加对应于在航拍图像中明显的最近物理道路网络更改。换句话说，我们应该能够在较早的图像中看到更改前的映射，并在较晚的图像中看到更改后的映射。• Was-Missing指示道路被添加到地图，但是，基于图像，这些道路在2012年之前已经存在于物理道路网络中。因此，地图上根本就没有道路。11908• 解构指示道路已从地图移除，且所述移除对应于最近的物理道路网络改变。• Was-Incorrect表示道路已从地图中移除，但截至2012年，道路在物理道路网络中不可见-因此，道路在2012年之前被推土机推平，或从未存在过。此外，对于标记为“构建”或“解构”的场景，我们注释了在航拍图像中首次可见变化的年份，以及首次可见地完成构建活动的年份。这些附加注释有助于训练随时间比较航拍图像的方法;这些方法可以极大地提高精确度，但是可能仅能够对地图做出对应于物理道路网络中的改变的改变（而不是结合预先存在的缺失道路）。在本节中，我们首先详细介绍用于注释1，294个地图更新场景的半自动化方法。然后，我们提出了评估指标，比较MUNO21上的地图更新方法。最后，我们讨论了扩展道路提取方法的地图更新融合推断到现有的地图。3.1. 注释收集图像和地图数据。我们首先为数据集确定了总共39个瓦片，每个瓦片的大小约为155平方公里（总面积超过6000平方公里），根据城市的大小，21个城市中的每个城市都有一个或两个瓦片。我们选择图块以最小化不包含道路的未开发区域，例如由于水体森林或沙漠我们从Geofabrik5下载美国的OpenStreetMap历史转储，并使用锇[26]提取每年和每个瓦片的街道地图数据我们使用Google EarthEngine在每个图块处获取NAIP图像，并在Web-Mercator投影下合并和校正图像。我们以1米/像素的分辨率提取NAIP图像。查找更改。接下来，我们采用自动候选生成方法来识别在2012-2019年之间在OSM中发生变化的候选道路。在我们的方法中，我们提取OSM地图在每一年，并比较提取的地图之间的连续年份。当比较一对旧地图G旧和新地图G新时，我们感兴趣的是G新中存在的与G旧中的任何道路相距不可忽略的距离的道路（添加的道路），以及G旧中远离G新中的道路的道路（移除的道路）。然后，我们要设计一个方法f（G1，G2），给定图G1和G2，识别G2中的路段，不出现在G1。然后，我们可以在两个方向上应用该方法，计算f（G_old，G_new）以找到添加的道路，并且计算f（G_new，G_old）以找到移除的道路。我们采用一种简单的基于图像的方法来实现f：（1）我们5https://download.geofabrik.de/north-america/us.html沿着G1中的每条道路绘制线;（2）我们沿着两个轴将图像放大D大=32 m，其中D大是距离阈值-我们只想选择G2中与G1中的任何道路相距至少D大的道路;以及（3），我们在G2中的每条道路上迭代，并且检查沿着道路的某个像素是否未被设置在放大的图像中-如果是，道路是添加的或移除的道路。我们过滤检测到的添加和删除的道路有两个额外的限制。首先，我们丢弃总长度短于最小长度阈值L=70m的检测到的道路的连接分量。其次，我们丢弃OSM中标记为停车场、车道或服务道路的道路。这些约束有助于将自动候选生成集中在公共街道上：虽然诸如车道的其它道路类型在地图中是重要的，但是我们选择关注公共街道是因为它们不那么模糊（例如，车道vs宽人行道）。我们将道路的每个剩余的连接组件称为候选变化。聚类候选者。在进行手动标记之前，我们将在空间和时间上接近的候选更改分组到集群中这一步骤由两个原因驱动。首先，为了简单起见，我们希望地图更新场景将感兴趣区域指定为边界框，而不是更复杂的形状;然而，围绕一个改变的边界框可以包含其他改变。第二，如果在连续几年期间对地图进行改变，则地图在这些改变之前和之后比在其处于中间状态时更可能对应于物理道路网。因此，我们应用一个简单的时空凝聚聚类过程的变化。我们为每个更改初始化一个集群。我们说一对聚类c1和c2是可合并的，如果（1）c1和c2的边界框之间的距离小于一个阈值（128 m）;以及（2）c1和c2的时间窗重叠。然后，我们反复迭代聚类并组合可合并的聚类，直到没有两个聚类是可合并的。手动注释。 尽管自动候选生成和聚类产生了其中OSM已经改变的若干聚类，但是许多改变仍然可以对应于车道、服务道路、停车场，并且其他特征是高度模糊的并且可能在航空图像中不可见。虽然我们已经放弃了相应的变化，ING与这些类型的OSM标记的道路在候选生成，不正确的道路类型标签是常见的，尤其是在最近添加的道路。此外，我们发现一些集群包含仍在建设中的道路，在航拍图像中尚未完全可见。因此，我们开发了一个手动标记工具，以选择一个子集的集群的变化影响公共街道，并在最近的航拍图像中可见的变化。我们还使用注释工具将每个更改标记 为 Constructed 、 Was-Missing 、 Deconstructed 和 / 或Was-Missing11909∈∈不正确，以及标记为“构建”或“解构”的变更的构建活动的年份。在数据集和工具中，更改后映射都被拆分为两个图形：一个只包含公共街道的图G*，它不包括停车场、车道和服务道路，以及一个额外的道路图G*extra，它包括这些道路以及OSM中的其他“路”（边），如人行道。这是因为方法不应因未能在G*extra中生成道路而受到处罚（因为这些道路是模糊的），但也不应因生成道路而受到处罚。在下一节中，我们将讨论在评估地图更新方法时如何处理G*extra。目前，为了确保后期评估的准确性，重要的是G*extra包含航空影像中可见的所有道路，包括可能缺失的道路最新的OSM数据。因此，在手动标记期间，我们跟踪G*extra中的额外边缘以确保覆盖缺失的无变化方案。我们使用类似的生成方法来找到无变化场景，其中我们搜索其中G旧中的每条道路与G新中的道路最多D小=8m的窗口，反之亦然。我们不应用聚类;相反，我们确保计算的窗口不重叠。我们在自动选择的窗口上执行手动注释，以验证物理道路网络工作没有改变，并确保G*extra是完整的。摘要自动候选生成和聚类产生1，812个聚类。手工标记后，我们保留了514个聚类用作地图更新场景，其中164个标记为构建，259个标记为Was-Missing，48个标记为解构，100个标记为Was-Incorrect（某些场景具有多个标记）。我们还得出780无变化的情况。由此产生的1，294个情景覆盖552平方公里，包括948公里的改变道路。3.2. 度量我们在测试集中的568个窗口上评估地图更新方法，其中188个包含更改，380个标记为无更改。在每个场景中，方法输入改变前的道路网络G和航拍图像时间序列，并且应该输出更新后的道路网络G变更后的道路网（地面实况）G*。我们比较地图更新方法的条款精确-召回曲线我们发现，方法通常有一个关键参数，该参数在精确度（避免虚假更改）和召回率（捕获）G*中的变化正确地在G中，例如，分割探针能力门槛因此，而不是在一个精确度或召回率水平，我们允许每个方法公开一个参数，并根据通过改变该参数产生的精确度-召回率曲线来比较方法。为了测量精度，在每个无变化场景中，我们计算一个二进制标签，指示地图更新方法是否正确执行：如果它没有推断出任何变化，即， 如果G≡G=G*，否则不正确。然后，我们将精度定义为方法正确地不进行任何更改的无更改时间的分数。为了测量召回率，我们使用具有变化的场景来进行组合。- 设置改进分数，指示更新的道路网G和改变后的地图G*比改变前的地图G和G*更相似的程度。我们的改进分数指标可以利用任何道路提取度量S（G1，G2），用于计算两个道路网络G1和G2之间的相似性。在我们的评估中，我们使用平均路径长度相似性（APLS）[27]或PixelF1 [4]来实现S，这是文献中广泛使用的两个度量。我们将改进分数（召回）定义为：Improver ement=max（S（G，G*）−S（G，G*），0）1−S（G，G*）Impr over ement是0，如果Gf f对G没有Impr overement（例如， G=G），其中Srecal l（G，G*）=Srecal l（G，G*）。 Impr over- ment是1， 如果G=G*，所以Srecal l（G，G*）=1。我们将负分减为0，并将改善分数取平均在188个场景中进行更改。到目前为止，我们还没有考虑模糊的道路G*extr a：一个方法既不应该因为遗漏也不应该因为推断G*extr a中的道路而受到惩罚。 在计算查准率和查全率时，我们忽略了由对应于G*extr a中道路的方法添加的新道路。3.3. 将推断道路融合到地图为了评估MUNO21上道路提取的先前工作，我们建议扩展这些方法用于地图更新，其中后处理步骤仅将推断的道路网工作G的与n条道路对应的部分并入现有地图G中。我们的过程类似于地图融合[23]中的先前工作，并确保G中保持最新的道路不会被覆盖。然而，此方法只能向地图添加新道路，因此仅适用于标记为“已构建”或“Was-Missing”的场景。我们的算法反复寻找一条未处理的边e0即至少Dbig=32mawayfromtheclosest edge in G，其中Dbig是距离阈值，因为e0必须对应于新的道路。我们开始深度优先搜索从e0沿着G的边F或我们所定义的每条边（u，v）搜索期间遍历• 如果v距离G中的边为D，则我们将边（u，v）添加到G，并继续在G中从v搜索。• 否则，如果我们还没有探索过v，我们找到沿着边e G落在v上的最近点p。我们在这一点上分割e，创建一个新的顶点v分割，并添加一条边（u，v分割）。我们还维护分裂顶点M的映射，并且设置M[v]=vsplit。• 如果我们已经探索了v，我们添加一条边（u，M[v]）。如果两个条件中的一个成立，我们还修剪组件。首先，如果我们没有遇到任何顶点v接近Gdur-11910沿道路段的特征嵌入2F3分类概率作为一个积极的例子。我们使用无变化场景的基本图中的每个片段作为反面示例。我们训练模型来分类不正确的片段，只给出最近的航拍图像。在测试场景中，我们通过对G中的路段进行修剪来产生推断的道路网络G，其中模型估计该路段是不正确的，概率大于阈值。修剪虚假推断道路（修剪虚假）。 我们图2：循环CNN模型。RNN从CNN提取的特征嵌入计算概率。如果搜索失败，则我们丢弃该组件，因为未连接到现有道路网络的道路是无用的并且可能是虚假的。第二，如果组件的总长度小于50 m，我们丢弃该组件;该试探法减轻了有噪声的推断片段。4. 利用MUNO21培训方案在本节中，我们提出了一组地图更新方法，这些方法利用MUNO 21训练集中场景中的标签和施工年份注释以及航空图像时间序列数据，以降低错误率或生成解构和Was-Incorrect场景。如果没有MUNO21提供的新型训练数据，这些方法就不可能实现。具体而言，我们考虑四项任务：移除不正确的道路、修剪虚假的推断道路、修剪不对应于最近的物理构造的推断道路、以及移除被破坏的道路。我们将所有四个任务制定为二进制路段分类任务，其中我们训练模型将路段分类为特定于任务的二进制标签下的正面或负面。 我们将路段定义为在端点顶点开始和结束的一系列边，其中端点是恰好具有一条边（死端）或多于两条边（交叉点）的任何顶点;因此，路段仅仅是一段不间断的道路。我们首先详细的模型架构，我们采用实现所有四个任务。然后我们描述每个任务。循环CNN模型。我们采用循环CNN模型（图2）进行高精度路段分类。我们沿着路段收集几个小的航空图像窗口，应用一系列卷积层来提取每个窗口的特征，然后在特征序列上应用RNN，通过在最后一个递归步骤上的S形激活来产生最终的二进制我们旋转图像窗口，使道路方向与图像x轴对齐该模型自然地处理非常不同长度的路段。移除不正确的道路（移除-不正确）。首先，我们可以使用Deconstructed和Was-Incorrect训练场景来训练模型以分类基础地图G中的不正确道路。我们使用每一个被破坏或不正确的我还可以应用我们的模型来修剪道路网络中的虚假路段G通过道路提取方法推断：我们训练模型来预测推断的道路是否正确（与G*中的道路匹配）或伪造。我们的方法类似于DeepRoadMapper [17]中的连接分类器。为了训练分类器，我们通过在MUNO21训练集中的每个场景中应用道路提取方法来获得正面和负面示例，并且启发式地确定每个推断的道路是正确的还是虚假的：如果线段上的每个点都在Dsmall=G*中某条边的8m，如果线段上有任何点>Dbig=32m，则为假的。我们将模型应用于测试场景如下：我们首先应用道路提取方法来计算初始推断的道路网然后，我们修剪G中的片段，其中模型具有高置信度，该片段是虚假的。最后，我们将剩余的片段与G融合。专注于建设道路（Focus-Constructed）。到目前为止，我们已经集中在地图更新方法，只输入最新的航空影像。然而，正如我们将在评估中显示的那样，这些方法具有有限的准确性，并且可能产生高错误率。减少误差的一种方法是随时间比较航空图像，并且仅当我们观察到图像中可见的物理道路网络的变化时才更新地图。尽管这种方法只能处理构造和解构场景（其中存在对物理道路网的实际改变），但是在实践中可能需要关注这些场景以实现适合于完全自动化的错误率。对于新建的道路，我们可以通过修剪由道路提取方法推断的道路来关注它们，这些道路似乎不对应于最近的物理建设。对于这个任务，模型输入在不同时间捕获的两个航空图像的窗口，而不是仅仅一个;因此，CNN处理6通道输入。我们从MUNO21训练集中标记为“构建”的场景中获得构建的正面示例，并从标记为“无变化”的场景中获得负面示例。我们训练模型来预测第二个输入图像是否包含在第一个图像中不可见的新道路我们还使用反构造的道路段作为正面示例，但颠倒了输入中的航拍图像的顺序推理过程类似于Prune-Spurious：在应用道路提取方法之后，我们通过模型处理每个推断的段，并且修剪段f1RNNFCNNCNNCNNRNNRNN11911其中模型对于存在新道路具有低置信度焦点解构。我们重复使用焦点构造模型从基本地图中修剪去构造的道路。我们的推理过程类似于Remove-Incorrect：我们在G中重新移动每个段，其中该模型高度确信该段存在于最早的可用空间图像中，但不再存在于最近的图像中。5. 评价我们现在评估五个国家的最先进的道路提取和地图更新方法，以及我们提出的扩展，在MUNO21测试场景。方法. 我们评估了四种道路提取方法，我们使用我们的地 图 融 合 方 法 扩 展 了 地 图 更 新 ： RoadTracer [2] 、RecurrentUNet [30] 、 Sat2Graph [13] 和 RoadConnect[3]。此外，我们评估了地图更新方法MAiD [1]，其能够将新道路添加到现有地图，但不能解决更新地图中的其他挑战。最后，我们评估我们在第4节中提出的扩展与RoadTracer。我们在MUNO21训练集中的10个城市的3000平方公里的航空图像和地图数据上训练所有方法。指标. 我们在11个城市的MUNO 21测试集的568个地图更新场景上评估了这些方法的查准率-查全率曲线。我们通过改变每个方法中的一个参数来获得曲线，该参数提供了精确度和召回率之间的权衡 我们从第3节中讨论的平均路径长度相似性（APLS）[27]改进分数中得出召回率;这些分数量化了推断的道路网络G？相对于改变前的地图G的改进程度。APLS计算几对对应点之间的最短路径在G*和G中，并比较它们的长度。我们也比较从PixelF 1 [4]导出召回率的曲线改善-补充材料中的部分。结果我们在图3中示出了精确度-召回率曲线方面的定量结果，并且在图4中示出了定性结果。在五种现有方法中，在90%的精确度下，Road-Tracer提供32%的召回率，而Sat 2Graph提供18%的召回率，表明前者更好地捕获道路拓扑。然而，即使当我们只考虑构造和Was-Missing场景时（因为这些方法不处理道路移除），也没有一种方法提供大于45%的召回率。此外，在30%的召回率下，没有方法提供95%以上的精度，意味着5%的错误率。为了提高精度，我们可以用我们在第4节中提出的剪枝杂散和焦点构造方法来扩展方法。我们使用RoadTracer评估这些方法。剪枝-虚假在20%的召回率下将准确率提高到99.5%，但召回率下降产生的曲线与单独的RoadTracer相当。在图3（b）中标记为构建的场景中，焦点构建进一步将精确度提高到99.8%，召回率为20%;然而，因为该方法仅添加对应于最近的物理构造的道路，所以它在整个数据集上不能很好地执行我们还评估了我们的移除不正确和聚焦解构道路移除 方 法 。 Remove-Incorrect 在 图 3 （ e ） 中 的 Was-Incorrect场景中提供了高达17%的召回率，表明它在从地图中删除不正确道路方面取得了有限的成功然而，其性能是有限的，因为其经常去除不正确的道路，同时保持完整的相邻不正确的道路，这产生APLS严厉惩罚的断开;例如，图4（b）顶部的红色死胡同保留在地图中，但与其他道路断开。Focus-Deconstructed执行得很差，甚至在图3（d）中的Deconstructed场景中也是如此。我们发现，这是因为分类器是用弱负样本（未改变的道路）训练的，其中周围没有道路网络然后，在解构场景中，它不仅移除解构的道路，还移除附近未更改的道路。总体而言，我们认为，需要大量的进一步改进，以实现自动地图更新。地图更新方法应达到大于99%的精度，以便在实践中使用：否则，它们将沿着现有地图的绝大多数产生大量的错误，该地图是最新的-在美国99%的精度意味着在每次自动更新时将引入12，000+个错误。为了进一步验证这一点，我们在图4（c）中显示了MAiD引入的示例错误：MAiD在两个断开的段之间添加了虚假连接这是一个严重的错误：事实上，一个探索半自动化编辑地图的工业制图团队所犯的类似错误，引起了OSM泰国社区的广泛批评，迫使该团队增加对地图验证器7的培训。事实上，许多OSM贡献者认为，虚假道路比缺失道路更有问题8。因此，最大限度地减少错误在自动地图更新中至关重要-而且还有很多工作要做，因为最好的测试方法在30%的召回率下只能产生95%的准确率。6. 结论从GPS轨迹和航空图像中提取道路网络的自动方法在过去十年中取得了很大进展。然而，为了使这些方法在实践中有用，必须应用它们来更新现有地图。MUNO21是一个大规模的综合数据集6我们将1%的错误率乘以美国1200万公里的道路，然后除以每个不变情景中平均10公里的道路。7 见 https://forum.openstreetmap.org/viewtopic 。php的？pid=684197#p684197。关于一个虚假的推断连接，一位用户写道：司机8 见 https://forum.openstreetmap.org/viewtopic 。php的？pid=712005#p712005。119120.4n0.35）不em0.3ev〇0.25Rpm0.2我SL0.15P（0.1）一L为0.05LCer10的0.50.550.60.650.70.75精度0.80.850.9 0.951RoadTracer + Fuse RecurrentUNet + Fuse Sat 2Graph + Fuse RoadConnect + FuseMAiD RoadTracer+修剪-杂散RoadTracer+焦点-构造移除-不正确焦点-解构图3：MUNO 21测试集上的精确度-召回率曲线。召回率是根据APLS改进来测量的，其量化了推断的地图G捕获变化后的地图G*比变化前的地图G好得多。除了报告在（a）中具有变化的所有场景上的平均曲线之外，我们还通过（b）到（e）中的标签将其分解2012 2019地面实况RoadTracer RecurrentUNet Sat2Graph MAiD(a) 道路提取方法的输出，与地图融合。这些方法只能将新道路添加到地图。2019删除-不正确(b) 举个例子，删除错误。2019 Ground Truth MAiD街景(c) 错误示例：推断出虚假连接。图4：不同地图更新场景的定性结果。我们以绿色（正确）或红色（错误）显示添加的道路，以蓝色（正确）或橙色（错误）显示删除的道路。基本贴图G是黑色的，并且G额外中的边是黄色的。用于使用航空图像的地图更新，其用作比现有数据集更 好 的 自 动 地 图 推 断 方 法 的 实 际 部 署 的 基 准 。MUNO21由超过一千个地图更新场景组成，其中展示了各种复杂的挑战，包括添加新道路、删除不正确的道路以及更新地图以反映实际道路拓扑变化。我们认为，MUNO21将帮助社区从道路提取过渡到地图更新任务。0.50.450.40.350.30.250.20.150.10.0500.50.450.40.350.30.250.20.150.10.0500.50.450.40.350.30.250.20.150.10.0500.50.450.40.350.30.250.20.150.10.0500.50.450.40.350.30.250.20.150.10.0500.50.60.70.80.9一个精度(a)所有0.50.60.70.8 0.9精度(b)构造10.50.60.70.80.9一个精度(c)缺失0.50.60.70.80.9一个精度(d)解构0.50.60.70.80.9一个精度(e)垫圈-不正确召回（APLS改进）缺失构造De/Constructed召回（APLS改进）召回（APLS改进）召回（APLS改进）召回（APLS改进）11913引用[1] FavyenBastani ， SongtaoHe ， Sofiane Abbar ，Mohammad Al- izadeh ， Hari Balakrishnan ， SanjayChawla，and Sam Mad- den.机器辅助地图编辑。在ACM地理信息系统进展国际会议（SIGSPATIAL）的会议记录中，第23-32页，2018年。三、七[2] FavyenBastani ， SongtaoHe ， Sofiane Abbar ，Mohammad Al-izadeh ， Hari Balakrishnan ， SanjayChawla，Sam Madden，and David DeWitt.RoadTracer：从航空图像中自动提取道路网。在IEEE计算机视觉和模式识别会议中，第4720-4728页，2018年。一、三、七[3] Anil Batra，Suriya Singh，Guan Pang，Saikat Basu，CVJawa- har，and Manohar Paluri.通过方向和分割的联合学习在IEEE计算机视觉和模式识别会议（CVPR）的论文集中，第10385-10393页，2019年一、三、七[4] 詹姆斯·比亚吉奥尼和雅各布·埃里克森。从全球定位系统轨迹推断道路地图：调查与比较评价。交通研究记录，2291（1）：61-71，2012。三、五、七[5] Kevin Buchin，Maike Buchin，Joachim Gudmundsson，Jor-renHendriks ， Erf anHosseiniSereshgi ， VeraSacrista'n，Ro-drigo I Silveira，Jorrick Sleijster，Frank Staals，and Car- ola Wenk.使用子轨迹聚类改进地图构建。在ACM SIGSPATIAL Work-shop关于基于位置的建议，地理社会网络和地理广告的论文集，第1-4页，2020年。三个[6] Lili Cao和John Krumm。从GPS跟踪到可路由的路线图。在Proceedings of the ACM International ConferenceonAdvancesinGeographicInformationSystems（SIGSPATIAL），第3-12页，2009年。三个[7] Chen Chen，Cewu Lu，Qixing Huang，Qiang Yang，Dimitrios Gunopulos，and Leonidas Guibas.使用GPS集合创建和更新城市规模地图。在ACM知识发现和数据挖掘国际会议（KDD）的会议中，第1465-1474页，2016年。三个[8] Guangliang Cheng，Ying Wang，Shibiao Xu，HongzhenWang，Shiming Xiang，and Chunhong Pan.通过级联端到 端 卷 积 神 经 网 络