用于停车场语义分割的流水线与近红外增强数据集

关于最低停车需求政策的讨论通常包含停车场地图，而人工绘制这些地图非常耗时。此类停车场的开源数据集十分稀缺，尤其是针对美国城市的。本文介绍了使用近红外（NIR）通道作为输入以及几种后处理技术，以利用卫星图像改进街面外露天停车场的预测。我们构建了两个各包含 12,617 个图像-掩码对的数据集：一个为 3 通道（RGB），另一个为 4 通道（RGB + NIR）。这些数据集用于训练五个深度学习模型（OneFormer、Mask2Former、SegFormer、DeepLabV3 和 FCN）进行语义分割，通过对图像分类来区分停车与非停车像素。我们的结果表明，尽管 NIR 通道需要从较低分辨率进行上采样，但它提高了准确率，因为停车场通常被草地环绕。包括消除错误孔洞、简化边缘以及移除道路和建筑物轮廓在内的后处理进一步提高了准确率。最佳模型——在 4 通道输入上训练并结合后处理技术的 OneFormer——实现了 84.9% 的平均交并比和 96.3% 的像素级准确率。