AI Powered Road Network Prediction with Multi-Modal Data

要約

この研究は、これまで検討されたことのない概念である、低解像度の衛星画像と GPS 軌跡データの両方を利用する融合戦略を採用することにより、ディープラーニングによる自動道路検出の革新的なアプローチを提示します。
私たちは初期と後期の両方のフュージョン戦略を厳密に調査し、さまざまなフュージョン設定を使用してディープラーニングベースの道路検出パフォーマンスを評価します。
当社の大規模なアブレーション研究では、多様なモデル アーキテクチャ、損失関数、地理的領域 (イスタンブールとモントリオール) の下で当社のフレームワークの有効性を評価しています。
道路検出結果を公平かつ完全に評価するために、道路セグメンテーションに領域ベースと境界ベースの両方の評価指標を使用します。
結果は、ResUnet モデルが道路抽出タスクにおいて U-Net および D-Linknet を上回り、低解像度 Sentinel-2 データを使用したベンチマーク調査よりも優れた結果を達成したことを明らかにしました。
この研究は、自動道路検出の分野に貢献するだけでなく、さまざまなアプリケーションでのデータ融合手法の利用に関する新しい洞察も提供します。

要約(オリジナル)

This study presents an innovative approach for automatic road detection with deep learning, by employing fusion strategies for utilizing both lower-resolution satellite imagery and GPS trajectory data, a concept never explored before. We rigorously investigate both early and late fusion strategies, and assess deep learning based road detection performance using different fusion settings. Our extensive ablation studies assess the efficacy of our framework under diverse model architectures, loss functions, and geographic domains (Istanbul and Montreal). For an unbiased and complete evaluation of road detection results, we use both region-based and boundary-based evaluation metrics for road segmentation. The outcomes reveal that the ResUnet model outperforms U-Net and D-Linknet in road extraction tasks, achieving superior results over the benchmark study using low-resolution Sentinel-2 data. This research not only contributes to the field of automatic road detection but also offers novel insights into the utilization of data fusion methods in diverse applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google