Patched Line Segment Learning for Vector Road Mapping

要約

この論文では、幾何学的重要性を持つ道路グラフの明確に定義されたパッチド ライン セグメント (PaLiS) 表現に基づいて、衛星遠隔検知画像からベクトル道路地図を計算する新しいアプローチを紹介します。
バイナリ マスクまたはキーポイントを使用して衛星画像から道路ベクトル表現を導出する一般的な方法とは異なり、私たちの方法では線分を使用します。
これらのセグメントは、道路の位置を伝えるだけでなく、その方向も捕捉するため、表現のための強力な選択肢となります。
より正確には、与えられた入力画像を重なり合わないパッチに分割し、各パッチ内の適切な線分を予測します。
この戦略により、これらのパッチベースの線分から空間的および構造的な手がかりを捕捉できるため、接続用の追加のニューラル ネットワークを必要とせずに道路網グラフを構築するプロセスが簡素化されます。
私たちの実験では、ニューラル ネットワーク アーキテクチャに大幅な変更を加えることなく、ロード グラフを効果的に表現することで、確立されたベンチマークでのベクトル ロード マッピングのパフォーマンスが大幅に向上することを実証しました。
さらに、私たちの手法はわずか 6 GPU 時間のトレーニングで最先端のパフォーマンスを達成し、GPU 時間の観点からトレーニング コストを大幅に 32 倍削減します。

要約(オリジナル)

This paper presents a novel approach to computing vector road maps from satellite remotely sensed images, building upon a well-defined Patched Line Segment (PaLiS) representation for road graphs that holds geometric significance. Unlike prevailing methods that derive road vector representations from satellite images using binary masks or keypoints, our method employs line segments. These segments not only convey road locations but also capture their orientations, making them a robust choice for representation. More precisely, given an input image, we divide it into non-overlapping patches and predict a suitable line segment within each patch. This strategy enables us to capture spatial and structural cues from these patch-based line segments, simplifying the process of constructing the road network graph without the necessity of additional neural networks for connectivity. In our experiments, we demonstrate how an effective representation of a road graph significantly enhances the performance of vector road mapping on established benchmarks, without requiring extensive modifications to the neural network architecture. Furthermore, our method achieves state-of-the-art performance with just 6 GPU hours of training, leading to a substantial 32-fold reduction in training costs in terms of GPU hours.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google