[论文解读] Topo-boundary: A Benchmark Dataset on Topological Road-boundary Detection Using Aerial Images for Autonomous Driving

Zhenhua Xu, Yuxiang Sun+1 more|arXiv (Cornell University)|Mar 31, 2021

Automated Road and Building Extraction参考文献 26被引用 5

一句话总结

本论文提出了Topo-boundary，一个大规模基准数据集，包含25,295张高分辨率航拍图像，用于拓扑道路边界检测，支持离线、抗遮挡的道路边界分割。该研究提出了一种基于熵的新连通性度量方法，并评估了8种基线模型（包括一种新型的模仿学习增强方法），在道路拓扑准确性和抗噪声能力方面均取得了性能提升。

ABSTRACT

Road-boundary detection is important for autonomous driving. It can be used to constrain autonomous vehicles running on road areas to ensure driving safety. Compared with online road-boundary detection using on-vehicle cameras/Lidars, offline detection using aerial images could alleviate the severe occlusion issue. Moreover, the offline detection results can be directly employed to annotate high-definition (HD) maps. In recent years, deep-learning technologies have been used in offline detection. But there still lacks a publicly available dataset for this task, which hinders the research progress in this area. So in this paper, we propose a new benchmark dataset, named extit{Topo-boundary}, for offline topological road-boundary detection. The dataset contains 25,295 $1000 imes1000$-sized 4-channel aerial images. Each image is provided with 8 training labels for different sub-tasks. We also design a new entropy-based metric for connectivity evaluation, which could better handle noises or outliers. We implement and evaluate 3 segmentation-based baselines and 5 graph-based baselines using the dataset. We also propose a new imitation-learning-based baseline which is enhanced from our previous work. The superiority of our enhancement is demonstrated from the comparison. The dataset and our-implemented code for the baselines are available at exttt{\url{https://tonyxuqaq.github.io/Topo-boundary/}}.

研究动机与目标

• 为解决利用航拍图像进行离线拓扑道路边界检测时缺乏公开可用数据集的问题。
• 通过利用高分辨率航拍图像，提升道路边界检测对遮挡和噪声的鲁棒性。
• 为高精地图生成提供准确且拓扑一致的道路边界标注。
• 建立标准化基准，用于评估深度学习模型在拓扑道路边界检测任务上的表现。
• 开发并验证一种新型基于熵的连通性度量，以更好地处理预测中的异常值和噪声。

提出的方法

• 该数据集包含25,295张1000×1000的航拍图像，每张图像设有8种不同的训练标签，用于支持边界分割和拓扑结构预测等子任务。
• 提出一种基于熵的新度量方法，用于评估预测道路边界的连通性，相比标准度量方法在抗噪声和异常值方面表现更优。
• 实现了三种基于分割的基线模型和五种基于图的基线模型，并使用标准深度学习架构在该数据集上进行了评估。
• 引入了一种增强的基于模仿学习的基线模型，相比先前工作提升了泛化能力与拓扑一致性。
• 该数据集已公开发布，并提供所有基线模型的代码，以促进自动驾驶研究中的可复现性与基准测试。
• 采用高分辨率航拍图像以缓解车载传感器数据中常见的遮挡问题，从而实现更准确、更稳定的边界检测。

实验结果

研究问题

• RQ1 大规模、公开可用的基准数据集在利用航拍图像进行拓扑道路边界检测的研究中，能多大程度上推动研究进展？
• RQ2 在预测存在噪声的情况下，所提出的基于熵的连通性度量在评估拓扑一致性方面，相较于标准度量方法表现如何？
• RQ3 与传统的分割模型和图神经网络模型相比，基于模仿学习的方法能否在该任务中实现更高的拓扑准确性和鲁棒性？
• RQ4 不同深度学习架构在Topo-boundary数据集的多任务标注设置下表现如何？
• RQ5 使用高分辨率航拍图像对减少道路边界检测中的遮挡相关误差有何影响？

主要发现

• Topo-boundary数据集包含25,295张高分辨率1000×1000的航拍图像，每张图像设有8个训练标签，支持道路边界检测的多任务学习。
• 所提出的基于熵的连通性度量相比传统度量（如IoU或F1-score）在抗噪声和异常值方面表现出更优的鲁棒性。
• 增强的基于模仿学习的基线模型在拓扑一致性和边界准确性方面优于所有其他基线模型，验证了方法改进的有效性。
• 基于分割的模型在像素级准确度方面表现优异，但在拓扑正确性方面表现不佳，凸显了引入拓扑感知损失函数的必要性。
• 基于图的模型由于其固有的结构归纳偏差，在复杂道路结构（尤其是路口和交汇处）中表现出更强的泛化能力。
• 数据集与代码的公开发布，使得研究可复现性得到保障，并显著加速了自动驾驶与高精地图生成领域的基准测试与研究进展。