論文の概要: Distilled Roads: Generalisable Road Network Extraction Across Sensors, Resolutions, and Region
- arxiv url: http://arxiv.org/abs/2608.03407v1
- Date: Tue, 04 Aug 2026 10:01:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.120132
- Title: Distilled Roads: Generalisable Road Network Extraction Across Sensors, Resolutions, and Region
- Title（参考訳）: 蒸留道路:センサ・解像度・地域間の一般道路網抽出
- Abstract要約: 既存のモデルは、通常、狭い解像度-領域の組み合わせで訓練され、目に見えない環境にあまり一般化しない。
本枠組みは, 解像度向上カリキュラム, マルチセンサトレーニング, トポロジ・アウェア・インフォメーションにまたがるクロスレゾリューション知識の蒸留と組み合わせたものである。
以上の結果から,様々な衛星画像に対するロバスト性の向上は,目標とするトレーニング戦略によって達成できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Road network segmentation from satellite imagery remains challenging due to large geographic variation in road appearance, occlusions, and domain shifts introduced by differing resolutions and sensors. Existing models, typically trained under narrow resolution--region combinations, generalise poorly to unseen environments such as rural settings, regions with distinct road materials, or imagery from new satellite platforms, often producing broken or disconnected predictions. Adapting these models to new domains usually requires retraining or fine-tuning, which is costly and risks catastrophic forgetting. In this work, we reframe global road extraction as a continual adaptation problem rather than an architectural one. Our framework combines cross-resolution knowledge distillation across a resolution-decreasing curriculum, multi-sensor training, and topology-aware supervision, yielding a single model that generalises across $0.3-1.0$ m imagery from multiple satellite platforms across continents. On publicly available benchmarks, including City-Scale and Global-Scale, our model outperforms state-of-the-art results by up to $22$ F1 points and $15$ APLS points, while remaining the most efficient, with $3\times$ faster inference. Our results suggest that improved robustness across diverse sub-meter satellite imagery can be achieved through targeted training strategies, such as data curricula, distillation, and topology-aware losses, rather than increasingly complex architectures.
- Abstract（参考訳）: 衛星画像からの道路ネットワークのセグメンテーションは、道路の外観、閉塞、および異なる解像度とセンサーによって導入された領域シフトの大きな地理的変化のために、依然として困難である。
既存のモデルは、通常、狭い解像度と地域の組み合わせで訓練され、田園部の設定、異なる道路材料を持つ地域、または新しい衛星プラットフォームからのイメージなど、目に見えない環境に一般化され、しばしば壊れたり不接続になったりする。
これらのモデルを新しいドメインに適用するには、通常、再トレーニングや微調整が必要です。
本研究では,グローバル道路抽出をアーキテクチャではなく,継続的適応問題として再検討する。
本フレームワークは, 解像度向上カリキュラム, マルチセンサトレーニング, トポロジ対応監視を対象とし, 大陸にまたがる複数の衛星プラットフォームから, 0.3-1.0$mの画像を一般化した単一モデルを構築した。
City-ScaleやGlobal-Scaleなどの公開ベンチマークでは、私たちのモデルは最先端の結果を最大22ドルF1ポイントと15ドルAPLSポイントで上回ります。
以上の結果から,データキュリキュラや蒸留,トポロジを意識した損失など,多様な衛星画像に対するロバスト性の向上は,より複雑なアーキテクチャではなく,目標とするトレーニング戦略によって達成可能であることが示唆された。
関連論文リスト
- Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments [47.53030013880309]
ロボット自動化の成功には、リピータビリティ、タスク計画、目標仕様、安全な操作をサポートするために、正確なグローバルローカライゼーションが必要である。
本稿では,空中画像と地上ロボットRGB-Dカメラデータにまたがって,ハイレベルなメトリック・セマンティックプリミティブをマッチングする方法であるメリディアンを提案する。
我々のアルゴリズムは、自律運転データセット、公園とキャンパスのエリア、荒野キャンプなど、幅広い環境にまたがる地上ロボットをローカライズできることを実証する。
論文 参考訳（メタデータ） (2026-06-04T15:52:40Z) - RoadGIE: Towards A Global-Scale Aerial Benchmark for Generalizable Interactive Road Extraction [54.19939140744149]
RoadGIEはリモートセンシングにおける道路抽出のための新しい対話的パラダイムを確立する。
WorldRoadSeg-360Kは、これまでで最大かつ最も多様な道路区分データセットである。
RoadGIEは、セグメント化精度とトポロジ的整合性の両方において最先端の性能を達成する。
論文 参考訳（メタデータ） (2026-05-26T11:20:27Z) - Visual Place Recognition for Large-Scale UAV Applications [4.888434990566422]
視覚的位置認識は無人航空機(UAV)のナビゲーションにおいて重要な役割を担い、多様な環境にまたがるロバストなローカライゼーションを可能にする。
大幅な進歩にもかかわらず、大規模な高高度データセットの入手が限られているため、航空用vPRはユニークな課題に直面している。
約100万の画像を持つ大規模な空中データセットLASEDを導入し、エストニアの170,000のユニークな場所から体系的にサンプルを採取した。
論文 参考訳（メタデータ） (2025-07-20T19:02:15Z) - Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。
我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。
このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
論文 参考訳（メタデータ） (2025-05-24T12:52:10Z) - Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation [158.37640586809187]
劣化した画像を1つのモデルで効率的に復元することは、ますます重要になっている。
我々のアプローチはAnyIRと呼ばれ、様々な劣化にまたがる固有の類似性を活用する統一された経路をとっています。
劣化認識と文脈的注意を融合させるため,空間周波数並列融合戦略を提案する。
論文 参考訳（メタデータ） (2025-04-19T09:54:46Z) - Can Location Embeddings Enhance Super-Resolution of Satellite Imagery? [2.3020018305241337]
センチネル2のような公共に利用可能な衛星画像は、リモートセンシングタスクの正確な分析に必要な空間解像度を欠いていることが多い。
位置情報の埋め込みを通じて地理的コンテキストを組み込むことで一般化を促進する新しい超解像フレームワークを提案する。
本研究では,建築セグメント化作業における手法の有効性を実証し,最先端の手法よりも大幅に改善したことを示す。
論文 参考訳（メタデータ） (2025-01-27T08:16:54Z) - 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) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of
Satellite Images [54.44842669325082]
本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。
低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。
本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
論文 参考訳（メタデータ） (2020-08-03T13:55:39Z) - Weakly Supervised Domain Adaptation for Built-up Region Segmentation in
Aerial and Satellite Imagery [3.8508264614798517]
環境に対する人間の影響,公共政策の影響,一般都市人口分析を理解する上で,構築された地域推定は重要な要素である。
航空や衛星画像の多様性と、この多様性をカバーするラベル付きデータの欠如により、機械学習アルゴリズムの一般化が困難になる。
本稿では,衛星画像と空中画像の課題に対処する新しい領域適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-05T10:05:01Z)
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。