[论文解读] SpaceNet: A Remote Sensing Dataset and Challenge Series

Adam Van Etten, Dave Lindenbaum+1 more|arXiv (Cornell University)|Jul 3, 2018

Automated Road and Building Extraction参考文献 20被引用 356

一句话总结

SpaceNet 发布了一个在 AWS 上的大型带标注的卫星影像数据集，并推出一系列公开挑战，旨在自动提取建筑轮廓和道路网络，采用用于道路的新颖度量标准（APLS）以及高性能提交。

ABSTRACT

Foundational mapping remains a challenge in many parts of the world, particularly in dynamic scenarios such as natural disasters when timely updates are critical. Updating maps is currently a highly manual process requiring a large number of human labelers to either create features or rigorously validate automated outputs. We propose that the frequent revisits of earth imaging satellite constellations may accelerate existing efforts to quickly update foundational maps when combined with advanced machine learning techniques. Accordingly, the SpaceNet partners (CosmiQ Works, Radiant Solutions, and NVIDIA), released a large corpus of labeled satellite imagery on Amazon Web Services (AWS) called SpaceNet. The SpaceNet partners also launched a series of public prize competitions to encourage improvement of remote sensing machine learning algorithms. The first two of these competitions focused on automated building footprint extraction, and the most recent challenge focused on road network extraction. In this paper we discuss the SpaceNet imagery, labels, evaluation metrics, prize challenge results to date, and future plans for the SpaceNet challenge series.

研究动机与目标

• 提供一个大型、带标签的遥感数据集，以加速自动化地图要素提取。
• 让公众对建筑轮廓和道路网络提取算法进行基准测试。
• 引入反映路由效用的评估指标（APLS），超越基于像素的指标。
• 展示挑战1到挑战2的改进，并为未来挑战制定路线图。

提出的方法

• 在 AWS 上发布 SpaceNet 图像及经验证的标签，采用 CC BY-SA 4.0。
• 定义评估指标：建筑物的基于 IoU 的 F1，以及道路的 APLS 基于图的度量。
• 地面真实标注流程，配备 QA/QC，以确保建筑物角点接近 5 像素的精度、道路中心线达到 7 像素的精度。
• 与 OpenStreetMap 指南对齐的地面真实道路标注，以实现可路由的网络。

实验结果

研究问题

• RQ1 自动化方法从高分辨率卫星影像中提取建筑轮廓的准确度是多少？
• RQ2 自动化道路网络提取是否能生成适用于路由应用的可路由图？
• RQ3 新颖的基于图的度量（APLS）是否比基于像素的度量更能捕捉与路由相关的质量？
• RQ4 算法在 SpaceNet 挑战中的性能如何改进，并在不同建筑密度和道路类型的城市中表现如何？

主要发现

• 挑战1 基线在里约热内卢建筑轮廓的 F1 约为 0.21。
• 挑战2 在各城市的 F1 得分有所提升，顶尖参赛者的总 F1 约为 0.69（拉斯维加斯 0.89，巴黎 0.75，上海 0.60，喀土穆 0.54）。
• 挑战3 道路网络的平均路径长度相似度（APLS）总分在顶尖参赛者约为 0.666，表明路由相关图的准确度较高。
• SpaceNet 提供的数据和挑战使建筑轮廓提取性能不断提升，并证明基于图的道路度量（APLS）在路由中的实用性。
• 获胜的道路网络分数为 0.6663（albu）跨越四个 AOI。