論文の概要: Towards Satellite Image Road Graph Extraction: A Global-Scale Dataset and A Novel Method
- arxiv url: http://arxiv.org/abs/2411.16733v1
- Date: Sat, 23 Nov 2024 10:26:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:35:43.354831
- Title: Towards Satellite Image Road Graph Extraction: A Global-Scale Dataset and A Novel Method
- Title（参考訳）: 衛星画像道路図の抽出に向けて : 地球規模のデータセットと新しい手法
- Authors: Pan Yin, Kaiyu Li, Xiangyong Cao, Jing Yao, Lei Liu, Xueru Bai, Feng Zhou, Deyu Meng,
- Abstract要約: 我々は,グローバルスケールの衛星道路グラフ抽出データセット,すなわちグローバルスケールデータセットを収集する。
ノード誘導再サンプリング方式を採用した新しい道路グラフ抽出モデルであるSAM-Road++を開発した。
実験では,収集したGlobal-ScaleデータセットとSAM-Road++法の有効性を示す。
- 参考スコア（独自算出の注目度）: 42.3609654615897
- License:
- Abstract: Recently, road graph extraction has garnered increasing attention due to its crucial role in autonomous driving, navigation, etc. However, accurately and efficiently extracting road graphs remains a persistent challenge, primarily due to the severe scarcity of labeled data. To address this limitation, we collect a global-scale satellite road graph extraction dataset, i.e. Global-Scale dataset. Specifically, the Global-Scale dataset is $\sim20 \times$ larger than the largest existing public road extraction dataset and spans over 13,800 $km^2$ globally. Additionally, we develop a novel road graph extraction model, i.e. SAM-Road++, which adopts a node-guided resampling method to alleviate the mismatch issue between training and inference in SAM-Road, a pioneering state-of-the-art road graph extraction model. Furthermore, we propose a simple yet effective ``extended-line'' strategy in SAM-Road++ to mitigate the occlusion issue on the road. Extensive experiments demonstrate the validity of the collected Global-Scale dataset and the proposed SAM-Road++ method, particularly highlighting its superior predictive power in unseen regions. The dataset and code are available at \url{https://github.com/earth-insights/samroadplus}.
- Abstract（参考訳）: 近年,自動運転やナビゲーションなどにおいて重要な役割を担っている道路グラフの抽出が注目されている。
しかし,ラベル付きデータの不足が主な原因で,道路グラフの正確な抽出が困難である。
この制限に対処するため、我々はグローバルスケールの衛星道路グラフ抽出データセット(Global-Scaleデータセット)を収集する。
具体的には、Global-Scaleデータセットは、既存の最大公道抽出データセットよりも$\sim20 \times$大きく、全世界で13,800$km^2$を超える。
さらに,新しい道路グラフ抽出モデル SAM-Road++ を開発し,ノード誘導型再サンプリング手法を用いて訓練と推論のミスマッチ問題を緩和する。
さらに,SAM-Road++では,道路上の閉塞問題を緩和するために,シンプルで効果的な‘拡張行’戦略を提案する。
大規模な実験では,収集したGlobal-ScaleデータセットとSAM-Road++手法の有効性が実証されている。
データセットとコードは \url{https://github.com/earth-insights/samroadplus} で公開されている。
関連論文リスト
- Segment Anything Model for Road Network Graph Extraction [27.789980798493463]
衛星画像から大規模でベクトル化された道路網グラフを抽出するためのSAM-Roadを提案する。
SAM-Roadは単純で単純で最小限の設計で、最先端のRNGDet++で同等の精度を実現している。
論文 参考訳（メタデータ） (2024-03-24T07:36:38Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Semi-supervised Road Updating Network (SRUNet): A Deep Learning Method
for Road Updating from Remote Sensing Imagery and Historical Vector Maps [3.350048575501172]
本研究では,道路更新のための半教師付き学習(SRUNet)に基づく道路検出手法を提案する。
提案したSRUNetは,幅広い道路更新作業に対して,安定かつ最新かつ信頼性の高い予測結果を提供する。
論文 参考訳（メタデータ） (2023-04-28T16:51:35Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - RNGDet++: Road Network Graph Detection by Transformer with Instance
Segmentation and Multi-scale Features Enhancement [19.263691277963368]
道路網のグラフ構造は、グローバルな計画、動き予測、制御など、自律運転システムの下流業務に不可欠である。
これまでは、道路ネットワークグラフは人の専門家によって手動で注釈付けされていた。
前者は、プロセス後セマンティックセグメンテーションマップや、ロードネットワークグラフを直接予測するグラフベースのアルゴリズムを提案している。
それまでの作業は、ハードコードされた処理アルゴリズムと劣った最終性能に悩まされていた。
提案されたアプローチはRNGDetから改善されているため、RNGDet++と呼ばれている。
論文 参考訳（メタデータ） (2022-09-21T07:06:46Z) - A Map-matching Algorithm with Extraction of Multi-group Information for
Low-frequency Data [9.476212160807549]
本稿では,「ビッグデータ」をフル活用する新しい地図マッチング手法を考案する。
現在のマッチングプローブから空間的および時間的距離に応じて、全てのデータを4つのグループに分類する。
修正されたトップKショートパス法を用いて、楕円領域内の候補パスを探索し、融合スコアを用いて経路を推測する。
論文 参考訳（メタデータ） (2022-09-18T08:09:17Z) - RNGDet: Road Network Graph Detection by Transformer in Aerial Images [19.141279413414082]
道路ネットワークグラフは、自動運転車アプリケーションにとって重要な情報を提供する。
手動でアノテートする道路ネットワークグラフは非効率で労働集約的です。
RNGDetという変圧器と模倣学習に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-02-16T01:59:41Z) - 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) - Sketch and Scale: Geo-distributed tSNE and UMAP [75.44887265789056]
地理的に分散したデータセット上で機械学習分析を実行することは、急速に発生する問題である。
私たちはSketch and Scale(SnS)という新しいフレームワークを紹介します。
これはCount Sketchデータ構造を利用して、エッジノード上のデータを圧縮し、マスターノード上の縮小サイズスケッチを集約し、サマリ上でバニラtSNEまたはUMAPを実行する。
我々は、この技術が完全に並列で、線形に時間にスケールし、メモリに対数的に分散し、通信し、世界中の複数のデータセンターにまたがる数百万、数十億のデータポイントでデータセットを解析できることを示す。
論文 参考訳（メタデータ） (2020-11-11T22:32:21Z)
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。