論文の概要: A Large-Scale Remote Sensing Dataset and VLM-based Algorithm for Fine-Grained Road Hierarchy Classification
- arxiv url: http://arxiv.org/abs/2603.21222v1
- Date: Sun, 22 Mar 2026 13:26:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.298998
- Title: A Large-Scale Remote Sensing Dataset and VLM-based Algorithm for Fine-Grained Road Hierarchy Classification
- Title（参考訳）: 道路階層分類のための大規模リモートセンシングデータセットとVLMに基づくアルゴリズム
- Authors: Ting Han, Xiangyi Xie, Yiping Chen, Yumeng Du, Jin Ma, Aiguang Li, Jiaan Liu, Yin Gao,
- Abstract要約: 本稿では,大規模階層的な道路データセットであるSYSU-HiRoadsと,視覚言語幾何学フレームワークであるRoadReasonerを紹介する。
SYSU-HiRoadsは、中国河南省の3631km2のGF-2画像から作られ、1079枚の画像タイルを0.8mの空間解像度で収めている。
RoadReasonerは、堅牢な路面マスク、トポロジ保存ロードネットワーク、セマンティックコヒーレントな階層割り当てを生成するように設計されている。
- 参考スコア（独自算出の注目度）: 7.761005954075427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we present SYSU-HiRoads, a large-scale hierarchical road dataset, and RoadReasoner, a vision-language-geometry framework for automatic multi-grade road mapping from remote sensing imagery. SYSU-HiRoads is built from GF-2 imagery covering 3631 km2 in Henan Province, China, and contains 1079 image tiles at 0.8 m spatial resolution. Each tile is annotated with dense road masks, vectorized centerlines, and three-level hierarchy labels, enabling the joint training and evaluation of segmentation, topology reconstruction, and hierarchy classification. Building on this dataset, RoadReasoner is designed to generate robust road surface masks, topology-preserving road networks, and semantically coherent hierarchy assignments. We strengthen road feature representation and network connectivity by explicitly enhancing frequency-sensitive cues and multi-scale context. Moreover, we perform hierarchy inference at the skeleton-segment level with geometric descriptors and geometry-aware textual prompts, queried by vision-language models to obtain linguistically interpretable grade decisions. Experiments on SYSU-HiRoads and the CHN6-CUG dataset show that RoadReasoner surpasses state-of-the-art road extraction baselines and produces accurate and semantically consistent road hierarchy maps with 72.6% OA, 64.2% F1 score, and 60.6% SegAcc. The dataset and code will be publicly released to support automated transport infrastructure mapping, road inventory updating, and broader infrastructure management applications.
- Abstract（参考訳）: 本研究では,大規模な階層的道路データセットであるSYSU-HiRoadsと,リモートセンシング画像から自動マルチグレード道路マッピングを行うビジョン言語-ジオメトリフレームワークであるRoadReasonerを紹介する。
SYSU-HiRoadsは、中国河南省の3631km2のGF-2画像から作られ、1079枚の画像タイルを0.8mの空間解像度で収めている。
各タイルには高密度道路マスク,ベクトル化中心線,3レベル階層ラベルがアノテートされており,セグメンテーション,トポロジー再構成,階層分類などの共同トレーニングと評価を可能にする。
このデータセットに基づいて、RoadReasonerは堅牢な路面マスク、トポロジ保存ロードネットワーク、セマンティックコヒーレントな階層割り当てを生成するように設計されている。
我々は、周波数に敏感なキューとマルチスケールコンテキストを明確に拡張することで、道路特徴表現とネットワーク接続性を強化した。
さらに,幾何記述子と幾何対応のテキストプロンプトを用いて骨格分類レベルで階層推論を行い,視覚モデルを用いて言語学的に解釈可能なグレード決定を行う。
SYSU-HiRoadsとCHN6-CUGデータセットの実験では、RoadReasonerは最先端の道路抽出ベースラインを超え、72.6%のOA、64.2%のF1スコア、60.6%のSegAccで正確で意味的に一貫性のある道路階層マップを生成する。
データセットとコードは公開され、自動トランスポートインフラストラクチャマッピング、ロードインベントリの更新、より広範なインフラストラクチャ管理アプリケーションをサポートする。
関連論文リスト
- Beyond Endpoints: Path-Centric Reasoning for Vectorized Off-Road Network Extraction [9.833728353188132]
我々はWildRoadをリリースした。WildRoadは対話型アノテーションツールで効率的に構築されたグローバルオフロードロードネットワークデータセットである。
我々は,パス中心のフレームワークであるMaGRoadを紹介した。
MaGRoadは、挑戦的なWildRoadベンチマークで最先端のパフォーマンスを達成し、都市データセットに最適化します。
論文 参考訳（メタデータ） (2025-12-11T08:29:27Z) - Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Brightearth roads: Towards fully automatic road network extraction from satellite imagery [2.446672595462589]
衛星画像から道路網を抽出する完全自動パイプラインを提案する。
提案手法は, シームレスに接続し, 正確な位置決めを行う道路線路ストリングを直接生成する。
論文 参考訳（メタデータ） (2024-06-21T07:55:15Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - MGL2Rank: Learning to Rank the Importance of Nodes in Road Networks Based on Multi-Graph Fusion [7.835154677901744]
既存の交通ネットワークにおけるノードの重要性を評価する方法は、位相情報と交通量のみを考慮する。
本稿では,ノードの重要性をランク付けするために,道路網の豊富な特徴を統合するグラフ学習ベースのフレームワーク(MGL2Rank)を提案する。
論文 参考訳（メタデータ） (2023-05-20T13:46:44Z) - 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) - 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) - GANav: Group-wise Attention Network for Classifying Navigable Regions in
Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。
本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。
RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文 参考訳（メタデータ） (2021-03-07T02:16:24Z) - Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。
我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。
北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
論文 参考訳（メタデータ） (2020-12-21T18:59:12Z) - PP-LinkNet: Improving Semantic Segmentation of High Resolution Satellite
Imagery with Multi-stage Training [4.694536172504848]
道路網と建築物のフットプリント抽出は、地図の更新、交通規制、都市計画、ライドシェアリング、災害対応テキストテットックなど、多くのアプリケーションにとって不可欠である。
論文 参考訳（メタデータ） (2020-10-14T10:23:48Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z)
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。