Primitive Graph Learning for Unified Vector Mapping

要約

大規模なベクトルマッピングは、輸送、都市計画、調査および国勢調査にとって重要です。
衛星画像からエンドツーエンドのベクトルマップを抽出するための統合フレームワークであるGraphMapperを提案します。
私たちの重要なアイデアは、形状プリミティブとそれらのペアワイズ関係マトリックスのセットである「プリミティブグラフ」と呼ばれるさまざまなトポロジの形状の新しい統一された表現です。
次に、ベクトル形状の予測、正則化、およびトポロジーの再構築を、固有のプリミティブグラフ学習問題に変換します。
具体的には、GraphMapperは、マルチヘッドアテンションによるグローバルシェイプコンテキストモデリングに基づく一般的なプリミティブグラフ学習ネットワークです。
埋め込み空間ソート方法は、正確なプリミティブ関係モデリングのために開発されました。
フットプリントの正則化と道路ネットワークトポロジの再構築という2つの難しいマッピングタスクでのGraphMapperの有効性を実証的に示します。
私たちのモデルは、公開ベンチマークの両方のタスクで、最先端の方法を8〜10％上回っています。
すべてのコードは公開されます。

要約(オリジナル)

Large-scale vector mapping is important for transportation, city planning, and survey and census. We propose GraphMapper, a unified framework for end-to-end vector map extraction from satellite images. Our key idea is a novel unified representation of shapes of different topologies named ‘primitive graph’, which is a set of shape primitives and their pairwise relationship matrix. Then, we convert vector shape prediction, regularization, and topology reconstruction into a unique primitive graph learning problem. Specifically, GraphMapper is a generic primitive graph learning network based on global shape context modelling through multi-head-attention. An embedding space sorting method is developed for accurate primitive relationship modelling. We empirically demonstrate the effectiveness of GraphMapper on two challenging mapping tasks, building footprint regularization and road network topology reconstruction. Our model outperforms state-of-the-art methods by 8-10% in both tasks on public benchmarks. All code will be publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google