Linear features segmentation from aerial images

要約

リモート センシング技術の急速な発展は、航空画像からオブジェクトを正確にローカライズ、分類、およびセグメント化する能力により、大きな注目を集めています。
これらの技術は、高解像度のカメラやセンサーを搭載した無人航空機 (UAV) で一般的に使用され、広い範囲でデータを取得します。
このデータは、都市、町、地形の監視や調査など、さまざまな用途に役立ちます。
この論文では、U-Net や SegNet などの深層学習モデルを使用して、航空画像から都市の道路交通破線を分類およびセグメント化する方法を紹介しました。
注釈付きデータは、これらのモデルのトレーニングに使用され、航空画像を破線と非破線の 2 つのクラスに分類およびセグメント化するために使用されます。
ただし、深層学習モデルは、描画が不十分であったり、木や影によって遮られているために、すべての破線を識別できない場合があります。
この問題に対処するために、欠落した行をセグメンテーション出力に追加する方法を提案しました。
また、セグメンテーション出力から各破線の x 座標と y 座標を抽出しました。これは、都市計画担当者が道路のデジタル ビジュアライゼーション用の CAD ファイルを作成するために使用できます。

要約(オリジナル)

The rapid development of remote sensing technologies have gained significant attention due to their ability to accurately localize, classify, and segment objects from aerial images. These technologies are commonly used in unmanned aerial vehicles (UAVs) equipped with high-resolution cameras or sensors to capture data over large areas. This data is useful for various applications, such as monitoring and inspecting cities, towns, and terrains. In this paper, we presented a method for classifying and segmenting city road traffic dashed lines from aerial images using deep learning models such as U-Net and SegNet. The annotated data is used to train these models, which are then used to classify and segment the aerial image into two classes: dashed lines and non-dashed lines. However, the deep learning model may not be able to identify all dashed lines due to poor painting or occlusion by trees or shadows. To address this issue, we proposed a method to add missed lines to the segmentation output. We also extracted the x and y coordinates of each dashed line from the segmentation output, which can be used by city planners to construct a CAD file for digital visualization of the roads.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google