論文の概要: Holistically-Nested Structure-Aware Graph Neural Network for Road Extraction

• arxiv url: http://arxiv.org/abs/2407.02639v1
• Date: Tue, 2 Jul 2024 20:11:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 18:14:18.405888
• Title: Holistically-Nested Structure-Aware Graph Neural Network for Road Extraction
• Title（参考訳）: 道路抽出のための立体的構造を考慮したグラフニューラルネットワーク
• Authors: Tinghuai Wang, Guangming Wang, Kuan Eeik Tan,
• Abstract要約: 本稿では,道路領域と道路境界の両方を同時に検出する新しいグラフニューラルネットワーク(GNN)を提案する。 挑戦的データセットの実験により,提案手法が道路境界のデライン化と道路抽出精度を向上させることを示す。
• 参考スコア（独自算出の注目度）: 6.537257686406911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks (CNN) have made significant advances in detecting roads from satellite images. However, existing CNN approaches are generally repurposed semantic segmentation architectures and suffer from the poor delineation of long and curved regions. Lack of overall road topology and structure information further deteriorates their performance on challenging remote sensing images. This paper presents a novel multi-task graph neural network (GNN) which simultaneously detects both road regions and road borders; the inter-play between these two tasks unlocks superior performance from two perspectives: (1) the hierarchically detected road borders enable the network to capture and encode holistic road structure to enhance road connectivity (2) identifying the intrinsic correlation of semantic landcover regions mitigates the difficulty in recognizing roads cluttered by regions with similar appearance. Experiments on challenging dataset demonstrate that the proposed architecture can improve the road border delineation and road extraction accuracy compared with the existing methods.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、衛星画像からの道路検出に大きく進歩した。 しかし、既存のCNNアプローチは一般的にセマンティックセグメンテーションアーキテクチャを再利用し、長い領域と湾曲した領域のデライン化に悩まされている。 道路トポロジと構造情報の欠如は、より困難なリモートセンシング画像の性能を悪化させる。 本稿では,道路領域と道路境界の両方を同時に検出する新しいマルチタスクグラフニューラルネットワーク(GNN)を提案する。この2つのタスク間の相互作用は,(1)階層的に検出された道路境界により,ネットワークが全体的道路構造を捕捉し,エンコードし,道路接続性を高めること,(2)意味的土地被覆領域の本質的相関を同定することにより,類似した外観で散在する道路の認識の困難さを緩和する。 挑戦的データセットの実験により,提案手法は既存手法と比較して,道路境界線と道路抽出精度を向上させることができることを示した。

関連論文リスト

• Translating Images to Road Network: A Sequence-to-Sequence Perspective [32.39335559663393]
  道路網は高精細地図の生成に不可欠である。 既存のメソッドは、2つのタイプのデータドメインを効果的にマージするのに苦労しています。 我々は、ユークリッドデータと非ユークリッドデータの両方をRoadNet Sequenceと呼ばれる整数列に投影することで、両方のデータ領域の統一表現を提案する。
  論文  参考訳（メタデータ） (2024-02-13T04:12:41Z)
• Fine-Grained Extraction of Road Networks via Joint Learning of Connectivity and Segmentation [5.496893845821393]
  衛星画像からの道路網抽出は、インテリジェントな交通管理と自動運転分野に広く応用されている。 高解像度のリモートセンシング画像は複雑な道路エリアと背景を逸脱させており,道路抽出の課題となっている。 接続の正しさを保ちながら、エンドツーエンドのセグメンテーション道路のためのスタック型マルチタスクネットワークを提案する。
  論文  参考訳（メタデータ） (2023-12-07T22:57:17Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• PaRK-Detect: Towards Efficient Multi-Task Satellite Imagery Road Extraction via Patch-Wise Keypoints Detection [12.145321599949236]
  我々は、マルチタスク衛星画像道路抽出のための新しい手法、パッチワイド道路キーポイント検出(PaRK-Detect)を提案する。 筆者らのフレームワークは,パッチワイド道路キーポイントの位置と,それら間の近接関係を予測し,道路グラフを単一パスで構築する。 我々は,DeepGlobe, Massachusetts Roads, RoadTracerの既存の最先端手法に対するアプローチを評価し,競争力やより良い結果を得る。
  論文  参考訳（メタデータ） (2023-02-26T08:26:26Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
  ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。 この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
  論文  参考訳（メタデータ） (2021-10-12T19:28:39Z)
• Promoting Connectivity of Network-Like Structures by Enforcing Region Separation [101.10228007363673]
  本稿では,ネットワークのような構造を再構築するために,深い畳み込みネットワークをトレーニングするための接続性指向の損失関数を提案する。 私たちの喪失の背後にある主な考え方は、画像の背景領域間で発生する断線の観点から、道路や運河の接続性を表現することです。 2つの標準的な道路ベンチマークと、新しい灌水用運河のデータセットの実験において、損失関数で訓練されたコンブネットが道路接続を回復できることが示されている。
  論文  参考訳（メタデータ） (2020-09-15T12:21:35Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• RoadTagger: Robust Road Attribute Inference with Graph Neural Networks [26.914950002847863]
  衛星画像からレーン数や道路タイプなどの道路特性を推定することは困難である。 RoadTaggerは、畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を組み合わせて、道路特性を推論するエンドツーエンドアーキテクチャである。 我々は米国20都市の688 km2の領域をカバーする大規模な実世界のデータセットと、合成マイクロデータセットの両方でRoadTaggerを評価した。
  論文  参考訳（メタデータ） (2019-12-28T06:09:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。