文章目录
前言
本博文收录一些不一般的道路提取方法。当前主流的模型聚焦与道路面的提取，即只关注IOU的精度，而对于道路的连接性和完整性却很少提及。
2017
DeepRoadMapper
摘要
绘制道路地图对于自动驾驶和城市规划等应用程序至关重要。大部分的工业方法集中在利用昂贵的传感器安装在车队的顶部。当利用循环中的用户时，这将导致非常准确的估计。然而，这些解决方案非常昂贵，而且覆盖面很小。相反，在本文中，我们提出了一种直接从航空图像估计道路拓扑的方法。这为我们提供了一个负担得起且覆盖面广的解决方案。为了实现这一目标，我们利用深度学习的最新发展对航空图像进行初始分割。在此基础上，我们提出了一种算法，将所提取的道路拓扑中缺失连接的原因归结为可以有效解决的最短路径问题。我们在具有挑战性的TorontoCity数据集中演示了我们的方法的有效性，并显示了相对于最先进的数据集非常显著的改进。
2018
RoadTracer
https://github.com/mitroadmaps/roadtracer
csdn博客
摘要
绘制公路网目前既昂贵又劳力密集。 高分辨率航空图像为自动推断道路网络提供了一个很有前途的途径。 先前的工作使用卷积神经网络(CNNs)来检测哪些像素属于一条道路（分割），然后使用复杂的后处理启发式来推断图形连通性。 我们表明，这些分割方法具有较高的错误率，因为噪声CNN输出是难以纠正的。 本文提出了一种从航空图像中自动构建精确的道路网络图的新方法——道路跟踪器。 道路跟踪器使用基于CNN的决策函数引导的迭代搜索过程直接从CNN的输出导出道路网络图。 我们将我们的方法与15个城市的分割方法进行了比较，发现在5%的错误率下，RoadTracer正确地捕捉到了这些城市45%以上的路口。
论文的贡献
1）提出了RoadTracer方法，利用迭代图构造方式检测影像中的路网，每次迭代时都使用CNN决策网络判断是否将一部分路网加入到已经创建的路网中。这种方法能够避免复杂的后处理过程，从而提高路网检测的精度；
2）提出了一种综合强化学习的CNN决策网络，使用动态标签的方式训练该CNN网络，即同时生成训练数据和训练网络，进而提高CNN决策函数的精度。
2019
RoadNet
code: https://github.com/yhlleo/RoadNet
论文的贡献
- 该文提出了一个多任务像素端到端CNN，道路网，以同时预测路面，边缘和中心线。 道路网自动学习多尺度和多级特征，并在一个专门设计的级联网络中进行整体训练，可以处理各种场景和尺度的道路。
- 上述子任务在训练阶段是相关的，其中路面分割的预测被应用于道路边缘检测和道路中心线提取。 一方面，精细的路面分割有利于道路边缘检测和道路中心线提取，这可以看作是具有少数复杂背景的理想初始化。 另一方面，道路的精确边缘/中心线细化了分割边界，特别是道路边缘。
- 详细设计了所提出的网络的体系结构和损失函数。 因此，经过良好训练的模型可以产生近似单像素宽度的道路边缘/中心线，而不需要非最大抑制(NMS)后处理。
- 提供了简单的用户交互方法来解决道路上有阴影和遮挡的具有挑战性的区域，这是该领域的第一个工作。
- 我们开发了一种裁剪和双线性混合方法来处理大的VHR图像，这些图像不可能用有限GPU资源进行整体训练或测试。
- 发布了一组具有挑战性的针对此类多任务的基准数据集，其中包含图像及其相应的参考地图，每个像素的空间分辨率为0.21米，覆盖了21个背景复杂的典型城市地区。
数据格式：
网络架构
结果
RoadTagger
https://github.com/mitroadmaps/roadtagger
摘要
从卫星图像推断道路属性，如车道数和道路类型，是具有挑战性的。 通常，由于卫星图像中的遮挡和道路属性的空间相关性，只有在考虑道路的遥远路段时，道路属性在道路上的一个位置才能明显。 因此，为了稳健地推断道路属性，该模型必须整合分散的信息，并捕捉沿线特征的空间相关性。 依赖于图像分类器的现有解决方案无法捕获这种相关性，导致精度差。 我们发现这种失败是由一个基本的限制-有限的有效接受场的图像分类器。
为了克服这一限制，我们提出了RoadTagger1，一种端到端的体系结构，它将卷积神经网络(CNNs)和图形神经网络(GNNs)结合起来来推断道路属性。 使用GNN允许信息在道路网络图上传播，并消除了图像分类器的接收场限制。 我们在一个覆盖美国20个城市688平方公里的大型真实世界数据集上对Road Tagger进行了评估，并合成了一个数据集。 在评估中，RoadTagger提高了基于CNN图像分类器的推理精度。 此外，Road Tagger对卫星图像中的干扰具有很强的鲁棒性，并且能够学习复杂的归纳规则来聚集道路网络上的零散信息。
方法
我们提出了RoadTagger，一个端到端的道路属性推理框架，它使用卷积神经网络(CNN)和图形神经网络(GNN)(Wu等人)的新组合来消除这一障碍。 2019)。 它以卫星图像和道路网络图作为输入。 对于道路网络图中的每个顶点，RoadTagger使用CNN从顶点周围的卫星图像窗口导出特征向量。 然后，使用GNN沿道路网络图传播来自每个顶点的信息。 最后，它在每个顶点产生道路属性预测。 该GNN通过沿路网图传播信息，消除了局部图像分类器的有效感知场限制。 联合CNN和GNN模型的端到端训练是该方法成功的关键：RoadTagger不使用CNN选择特征；相反，通过从GNN的输出反向传播，消除了限制先前后处理方法的信息障碍。
2020
DeepWindow
https://github.com/rob-lian/DeepWindow/tree/master/ManualPointSampling
论文的创新点
- 设计了一个基于修补的道路中心估计模型，并通过点注释进行了训练，该模型预测了局部斑块中的道路中心点。
- 提出了一种道路方向估计算法，以提高跟踪过程的自动化程度，该算法根据犬牙边缘的谱估计道路方向。
- 实现了一种自动寻种算法，使跟踪过程与道路方向估计算法相结合，实现了全自动化。
- 一个大型和具有挑战性的道路补丁数据集，手动采样的道路中心点，用于道路提取，将公开用于进一步研究弱监督学习。
方法流程
- 道路中心点提取
- 自动搜索跟踪种子
- 道路方向估计
- 迭代拓扑跟踪
VecRoad
https://mmcheng.net/vecroad/
摘要
与野外采集相比，从航空图像中自动提取道路图效率更高，成本更低。这可以通过对CNN预测的道路分割进行向量化的后处理步骤来实现，但不完美的预测将导致道路图的连通性较低。另一方面，迭代的下一步探索可以构建具有更好的道路连接性的道路图，但通常只关注本地信息，不能提供与真实道路的精确对齐。为了提高道路连通性，同时保持道路图与真实道路的精确对齐，我们提出了一种基于点的迭代图探索方案，采用分割线索引导和灵活的步骤。在我们的方法中，我们将下一步移动的位置表示为一个点，该点统一了多个约束的表示，如每一步移动的方向和步长。联合检测道路分割和道路交叉口等信息线索，引导下一步行动，实现更好的道路对齐。我们证明，我们所提出的方法在公共数据集上的f测度和道路连通性指标方面，比最先进的道路图提取方法有相当大的改进。
创新点
- 一种基于点的迭代步长探测方法，采用灵活的步长检测技术，可以在探测过程中对非平凡点进行精确定位。
- 基于分割线索的勘探引导，生成具有良好连通性和良好对齐精度的道路图。
方法
迭代探索概述
基于点的迭代探索
Simultaneous Road Surface and Centerline Extraction
https://github.com/astro-ck/Road-Extraction
摘要
准确和最新的路线图在广泛的应用中非常重要。 不幸的是，由于树木和建筑物的遮挡、道路的可辨性和复杂的背景，从高分辨率遥感图像中自动提取道路仍然具有挑战性。 为了解决这些问题，特别是道路连通性和完整性，本文引入了一种新的基于深度学习的多级框架，以同时准确地提取路面和道路中心线。 我们的框架包括三个步骤：增强分割、多个起点跟踪和融合。 初始路面分割是用完全卷积网络(FCN)实现的，然后再多次应用另一个较轻的FCN来提高初始分割的准确性和连通性。在多个起点跟踪步骤中，通过提取分割结果的道路交叉口自动生成起点，然后通过嵌入在卷积神经网络(CNN)中的迭代搜索策略来跟踪连续和完整的道路网络)。 融合步骤通过将分割和跟踪结果相结合来聚合道路网络的语义和拓扑信息，以产生最终的和细化的道路分割和中心线映射。 我们利用三个数据集对我们的方法进行了评估，这些数据集涵盖了世界上40多个城市的各种道路情况。 结果表明，我们提出的框架具有优越的性能。 具体来说，对于用于路面分割的连通性指标和用于中心线提取的完整性指标，我们的方法的性能分别超过了其他方法的7%和40%。
论文的贡献
- 提出了一种从遥感图像中同时提取路面和中心线的多级框架，该框架结合了基于CNN的分割和跟踪的优点，聚集了道路网络的语义和拓扑信息。 据我们所知，它是第一个同时进行路面分割和中心线跟踪的集成框架。
- 引入Boosting策略，通过应用多个分割网络来增强道路分割结果，该网络从先前分割的失败案例中逐步学习，以连接初始掩码中的破碎段。 此外，还设计了一种新奇、轻量的编解码结构来促进分割。
- 将一种基于CNN决策函数的改进迭代搜索算法引入到从多个交点开始跟踪的中心线跟踪中，该算法是从Boost分割预测的道路分割图中自动导出的，这证明了中心线映射的自动化和完整性都得到了提高。
- 最后，利用经验融合方法，将前一步骤的分割结果与中心线图融合，得到最终的细化路面和中心线。
Sat2Graph
code:https://github.com/songtaohe/Sat2Graph
摘要
从卫星图像中推断道路图是一项具有挑战性的计算机视觉任务。 先验解决方案分为两类：（1)基于像素的分割方法，它预测每个像素是否在道路上；(2）基于图形的方法，它迭代地预测道路图。 我们发现，这两种方法具有互补的优势，同时也受到自身固有的局限性。
在本文中，我们提出了一种新的方法Sat2Graph，它将两个先验类别的优点结合到一个统一的框架中。 在Sat2Graph中的关键思想是一种新的编码方案，即图张量编码(GTE)，它将道路图编码成张量表示。 GTE可以训练一个简单的、非经常性的、有监督的模型来预测一组丰富的特征，这些特征直接从图像中捕获图形结构。 我们使用两个大型数据集评估Sat2Graph。 我们发现Sat2Graph在两个广泛使用的度量上超过了现有的方法，TOPO和APLS。 此外，虽然先前的工作只推断平面道路图，但我们的方法能够推断堆叠的道路（例如立交桥），并且这样做是稳健的。
论文的贡献
除了基于张量的网络编码外，本文还做出了两个贡献：
- 在对20个美国城市覆盖720平方公里区域的大型城市数据集和流行的空间网道路数据集的评估中，Sat2Graph在广泛使用的地形相似度度量上超过了最先进的方法。
- Sat2Graph可以自然地推断出堆叠的道路，而以前的方法不能处理这些道路。
