利用深度卷积神经网络从 USGS 历史地图系列中自动提取道路交叉点
计算机视觉与模式识别
2020-07-16 v1
摘要
道路交叉点数据已被用于不同的地理空间应用与分析中。可追溯至 GIS 前时代的道路网络数据集仅以历史印刷地图的形式可用。在能被 GIS 软件分析之前，它们需要被扫描并转换为可用的基于矢量的格式。由于扫描历史地图数量庞大，必须采用将其自动转换为数字数据集的方法。通常，这一过程基于计算机视觉算法。然而，对于低质量且视觉复杂的地图转换精度低以及最优参数设定是使用这些算法的两个挑战。在本文中，我们采用基于深度卷积神经网络进行目标检测任务的标准范式，称为基于区域的 CNN（region-based CNN），用于自动识别若干美国城市的扫描历史 USGS 地图中的道路交叉点。我们发现，该算法对于道路地图的双线制图表示比单线表示具有更高的转换精度。此外，与大多数传统计算机视觉算法相比，RCNN 提供了更精确的提取。最后，结果表明检测输出中的错误量对地图的复杂性、模糊性以及其中不同 RGB 组合的数量敏感。
引用
@article{arxiv.2007.07404,
title = {Automatic extraction of road intersection points from USGS historical map series using deep convolutional neural networks},
author = {Mahmoud Saeedimoghaddam and T. F. Stepinski},
journal= {arXiv preprint arXiv:2007.07404},
year = {2020}
}
备注
23 pages, 8 figures