論文の概要: GLD-Road:A global-local decoding road network extraction model for remote sensing images

• arxiv url: http://arxiv.org/abs/2506.09553v1
• Date: Wed, 11 Jun 2025 09:36:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.814944
• Title: GLD-Road:A global-local decoding road network extraction model for remote sensing images
• Title（参考訳）: GLD-Road:リモートセンシング画像のためのグローバルローカルデコード道路網抽出モデル
• Authors: Ligao Deng, Yupeng Deng, Yu Meng, Jingbo Chen, Zhihao Xi, Diyou Liu, Qifeng Chu,
• Abstract要約: 道路網は地図作成、自動運転、災害対応に不可欠である。 グローバル効率と局所精度を組み合わせた2段階モデルGLD-Roadを提案する。 実験の結果、GLD-Roadは最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 7.430139032391173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road networks are crucial for mapping, autonomous driving, and disaster response. While manual annotation is costly, deep learning offers efficient extraction. Current methods include postprocessing (prone to errors), global parallel (fast but misses nodes), and local iterative (accurate but slow). We propose GLD-Road, a two-stage model combining global efficiency and local precision. First, it detects road nodes and connects them via a Connect Module. Then, it iteratively refines broken roads using local searches, drastically reducing computation. Experiments show GLD-Road outperforms state-of-the-art methods, improving APLS by 1.9% (City-Scale) and 0.67% (SpaceNet3). It also reduces retrieval time by 40% vs. Sat2Graph (global) and 92% vs. RNGDet++ (local). The experimental results are available at https://github.com/ucas-dlg/GLD-Road.
• Abstract（参考訳）: 道路網は地図作成、自動運転、災害対応に不可欠である。 手動アノテーションはコストがかかるが、ディープラーニングは効率的な抽出を提供する。 現在の手法には、後処理(エラーが多い)、グローバル並列(高速だがノードを逃す)、局所反復(正確だが遅い)などがある。 グローバル効率と局所精度を組み合わせた2段階モデルGLD-Roadを提案する。 まず、ロードノードを検出し、接続モジュールを介して接続する。 そして、局所探索を用いて、壊れた道路を反復的に洗練し、計算を劇的に削減する。 実験の結果、GLD-Roadは最先端の手法より優れており、APLSは1.9%(シティスケール)、SpaceNet3は0.67%改善している。 また、検索時間をSat2Graph(グローバル)と92%とRNGDet++(ローカル)で40%削減する。 実験結果はhttps://github.com/ucas-dlg/GLD-Road.comで公開されている。

関連論文リスト

• Loopy-SLAM: Dense Neural SLAM with Loop Closures [53.11936461015725]
  ポーズをグローバルに最適化するLoopy-SLAMと高密度3Dモデルを導入する。 我々は,データ駆動のポイントベースサブマップ生成手法を用いてフレーム・ツー・モデル追跡を行い,グローバルな位置認識を行うことで,オンラインのループクロージャをトリガーする。 合成Replicaおよび実世界のTUM-RGBDおよびScanNetデータセットの評価は、既存の高密度ニューラルネットワークRGBD SLAM法と比較して、追跡、マッピング、レンダリングの精度の競争力または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-14T18:18:32Z)
• Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
  レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。 提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。 本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。 実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
  論文  参考訳（メタデータ） (2024-01-26T09:28:14Z)
• Unsupervised Learning for Solving the Travelling Salesman Problem [28.62497359169851]
  旅行セールスマン問題(TSP)を解決するための教師なし学習フレームワークUTSPを提案する。 我々は、代理損失を用いてグラフニューラルネットワーク(GNN)を訓練する。GNNは、各エッジが最適経路の一部である確率を表すヒートマップを出力する。 次に、熱マップに基づいて最終予測を生成するために局所探索を適用する。
  論文  参考訳（メタデータ） (2023-03-19T02:30:27Z)
• 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)
• SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
  道路抽出は、自律航法システムを構築するための重要なステップである。 この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。 本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
  論文  参考訳（メタデータ） (2021-09-16T03:52:17Z)
• Waypoint Planning Networks [66.72790309889432]
  本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。 我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。 WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
  論文  参考訳（メタデータ） (2021-05-01T18:02:01Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• Experiments on route choice set generation using a large GPS trajectory set [9.139729923546247]
  本稿では,大規模なGPSトラジェクトリデータセットを用いて,異なる経路生成アルゴリズムの評価を行う。 最短経路に基づいて単一経路を生成することにより、初期解析を行う。 高架道路の使用を優先する改良されたリンクペナルティ法は、97%のカバレッジで設定されたルートを提供する。
  論文  参考訳（メタデータ） (2020-05-22T13:44:49Z)

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。