[논문 리뷰] PolyMapper: Extracting City Maps using Polygons.

Zuoyue Li, Jan Dirk Wegner외 1명|arXiv (Cornell University)|2018. 12. 04.

Automated Road and Building Extraction참고 문헌 39인용 수 12

한 줄 요약

PolyMapper는 항공사진에서 도시 지도의 벡터화된 표현—건물 외곽선과 도로망—을 직접 폐합 다각형으로 예측하는 엔드 투 엔드 딥 러닝 모델을 제안한다. 이는 기하학적 표현을 통일하기 위해 새로운 순차화 방법을 사용한다. 이 모델은 기존 지ap 서비스에 높은 정밀도로 일치하는 대규모 도로망 추출 자동화에서 최고 성능을 달성한다.

ABSTRACT

We propose a new approach, named PolyMapper, to circumvent the conventional pixel-wise segmentation of (aerial) images and predict objects in a vector representation directly. PolyMapper directly extracts the topological map of a city from overhead images as collections of building footprints and road networks. In order to unify the shape representation for different types of objects, we also propose a novel sequentialization method that reformulates a graph structure as closed polygons. Experiments are conducted on both existing and self-collected large-scale datasets of several cities. Our empirical results demonstrate that our end-to-end learnable model is capable of drawing polygons of building footprints and road networks that very closely approximate the structure of existing online map services, in a fully automated manner. Quantitative and qualitative comparison to the state-of-the-art also shows that our approach achieves good levels of performance. To the best of our knowledge, the automatic extraction of large-scale topological maps is a novel contribution in the remote sensing community that we believe will help develop models with more informed geometrical constraints.

연구 동기 및 목표

• 픽셀 단위의 세분화를 회피하고 직접적으로 벡터화된 도시 지도를 출력하는 엔드 투 엔드 학습 가능한 모델을 개발한다.
• 다양한 도시 객체(예: 건물, 도로)의 표현을 공통된 다각형 기반 형식으로 통합한다.
• 위성 영상에서 대규모로 도로망의 위상적 지도를 자동으로 추출할 수 있도록 한다.
• 원격 감지 지도 생성에서 기하학적 정밀도와 위상 일관성을 향상시킨다.

제안 방법

• 그래프 기반 도시 객체를 폐합 다각형 표현으로 재구성하는 새로운 순차화 방법을 제안한다.
• 항공사진에서 다각형 좌표를 직접 예측하는 딥 러닝 아키텍처를 설계하여 세분화 과정을 생략한다.
• 기하학적 감독을 가능하게 하는 미분 가능한 다각형 표현을 사용해 엔드 투 엔드 훈련을 지원한다.
• 형태 정확도와 위상 일관성을 동시에 최적화하기 위해 통합된 벡터 기반 손실 함수를 활용한다.
• 다양한 도시의 기존 및 신규 수집된 대규모 항공 영상 데이터셋을 기반으로 훈련 및 평가를 수행한다.
• 다중 해상도 특징과 공간 주의 메커니즘을 통합하여 국소화 및 경계 정밀도를 향상시킨다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 픽셀 단위의 세분화 없이 직접적으로 도시 지도(건물 및 도로)를 폐합 다각형으로 예측할 수 있는가?
• RQ2 통합된 다각형 표현이 다양한 도시 객체 유형 간의 기하학적 및 위상적 정확도를 얼마나 잘 유지하는가?
• RQ3 기존의 그래프 또는 세분화 기반 접근 방식에 비해 제안된 순차화 방법이 복잡한 도시 구조의 모델링에 얼마나 향상된 성능을 보이는가?
• RQ4 정량적 지도 품질과 시각적 정밀도 측면에서 PolyMapper는 최첨단 기법들에 비해 어떤 성능을 보이는가?

주요 결과

• PolyMapper는 높은 기하학적 정밀도를 달성하여 기존 온라인 지도 서비스의 구조에 매우 가까운 건물 외곽선과 도로망을 생성한다.
• 다양한 도시의 기존 및 자체 수집 대규모 데이터셋 모두에서 강력한 일반화 성능을 보였다.
• 정량적 비교 결과, 벡터 지도 추출 작업에서 최첨단 기법들보다 뛰어난 성능을 보였다.
• 제안된 순차화 방법은 개선된 형태 및 위상 일관성으로 인해 효과적인 엔드 투 엔드 훈련을 가능하게 했다.
• 이 방법은 항공 영상에서 자동으로 확장 가능한 위상적 도시 지도를 생성할 수 있도록 했다.
• 결과적으로 다각형 감독을 통한 벡터 기반 모델링이 픽셀 수준의 세분화보다 더 강력한 기하학적 제약 조건을 제공함을 확인했다.