[论文解读] City-scale Road Extraction from Satellite Imagery

Adam Van Etten|arXiv (Cornell University)|Apr 22, 2019

Automated Road and Building Extraction参考文献 20被引用 8

一句话总结

本文提出城市尺度卫星影像道路提取（CRESI），一种完全自动化的深度学习方法，通过图论后处理技术将卫星影像分割为道路网络。在高保真度的SpaceNet数据集上进行训练，CRESI在四个城市中分别取得0.73的APLS分数和0.58的TOPO分数，推理速度超过每小时160 km²，在普通硬件上实现可扩展、高精度的道路网络提取，适用于路径规划与灾害响应。

ABSTRACT

Automated road network extraction from remote sensing imagery remains a significant challenge despite its importance in a broad array of applications. To this end, we leverage recent open source advances and the high quality SpaceNet dataset to explore road network extraction at scale, an approach we call City-scale Road Extraction from Satellite Imagery (CRESI). Specifically, we create an algorithm to extract road networks directly from imagery over city-scale regions, which can subsequently be used for routing purposes. We quantify the performance of our algorithm with the APLS and TOPO graph-theoretic metrics over a diverse 608 square kilometer test area covering four cities. We find an aggregate score of APLS = 0.73, and a TOPO score of 0.58 (a significant improvement over existing methods). Inference speed is 160 square kilometers per hour on modest hardware. Finally, we demonstrate that one can use the extracted road network for any number of applications, such as optimized routing.

研究动机与目标

• 解决动态区域或资源匮乏地区对自动化、可扩展且实时更新的道路网络提取的迫切需求。
• 克服人工标注和OSM数据的局限性，后者常存在过时、不完整或与影像配准不一致的问题。
• 通过频繁的卫星过境和高分辨率影像，实现实时路径规划与灾害响应。
• 开发一个完全自动化的处理流程，直接处理大规模卫星影像，无需依赖预先存在的道路标签。
• 通过图论指标和真实世界推理速度，展示在城市尺度道路提取任务中的最先进性能。

提出的方法

• 对从高分辨率卫星影像中提取的小幅图像块（约1000×1000像素）应用深度学习语义分割模型。
• 采用基于图的后处理流程提取道路中心线，优化节点与边，并重建拓扑一致的道路网络。
• 通过空间对齐与图合并技术，将重叠图像块的预测结果拼接为统一的大规模道路网络图。
• 利用SpaceNet 3数据集，该数据集在四个城市中提供0.3米分辨率的高保真人工标注道路网络。
• 在训练过程中应用拓扑感知损失函数，以提升预测道路网络的结构一致性。
• 在推断图上使用A*路径查找算法验证路径规划的可行性，并展示实际应用价值。

实验结果

研究问题

• RQ1 完全自动化的深度学习流程能否直接从卫星影像中高精度、可扩展地提取城市尺度道路网络？
• RQ2 在SpaceNet数据与OSM数据上训练的模型，在图论指标（APLS与TOPO）上的表现有何差异？
• RQ3 在保持高精度的前提下，该方法在不同城市环境中的推理速度扩展能力如何？
• RQ4 提取的道路网络能否支持实际应用，如复杂城市环境中的优化路径规划？
• RQ5 在具有挑战性的成像条件下（如非垂直视角或光照变化）该方法表现如何？

主要发现

• CRESI在四个城市（喀土穆、拉斯维加斯、巴黎、上海）中综合APLS得分为0.73 ± 0.12，TOPO得分为0.58 ± 0.09，显著优于现有方法。
• 即使在非垂直卫星视角和光照变化等挑战性条件下，模型仍保持高性能，巴黎测试区域已验证此结果。
• 单张GPU上推理速度达每小时160 km²，四GPU集群最低达每小时370 km²，可快速处理大型城市区域。
• 与使用0.6米分辨率影像的RoadTracer方法相比，CRESI在TOPO F1分数上提升40%（0.60 vs. 0.37），尽管使用了更高保真度的SpaceNet标签。
• 在SpaceNet数据上训练的模型优于在OSM标签上训练的模型，APLS得分高出3–6%，归因于标签质量更优。
• 提取的道路网络支持优化路径规划，如巴黎测试区域所示，成功计算出有效最短路径（红色线路）。