CrosswalkNet：面向高分辨率航空图像中人行横道检测的优化深度学习框架
计算机视觉与模式识别
2025-06-10 v1
摘要
随着航空和卫星图像获取的日益增多，深度学习在交通资产管理、安全分析和城市规划方面展现出巨大的潜力。本研究引入了 CrosswalkNet，这是一个稳健且高效的深度学习框架，用于检测来自 15 厘米分辨率航空图像中的各种类型人行横道。CrosswalkNet 采用改进传统目标检测策略的新方法，利用倾斜边界框（OBB）提高检测精度，准确捕获不论方向如何的横道。实施了包括卷积块注意力、双分支空间金字塔池化快速模块和余弦退火等多个优化技术，以最大化性能和效率。用于训练和验证的综合数据集包含超过 23,000 个已标注的横道实例。最佳模型在来自马萨诸塞州的航空图像上实现了 96.5% 的精度和 93.3% 的召回率，显示其准确性和有效性。CrosswalkNet 也成功应用于新罕基什州、弗吉尼亚州和缅因州的数据集，无需迁移学习或微调，展示了其鲁棒性和强大的泛化能力。此外，处理后的横道检测结果通过高性能计算（HPC）平台生成，并以多边形 shapefile 格式提供，显示了加速数据处理和检测的效果，支持安全与 mobility 应用的实时分析。该集成为政策制定者、交通工程师和城市规划者提供了有效的工具，以提高行人安全并改善城市交通。
引用
@article{arxiv.2506.07885,
title = {CrosswalkNet: An Optimized Deep Learning Framework for Pedestrian Crosswalk Detection in Aerial Images with High-Performance Computing},
author = {Zubin Bhuyan and Yuanchang Xie and AngkeaReach Rith and Xintong Yan and Nasko Apostolov and Jimi Oke and Chengbo Ai},
journal= {arXiv preprint arXiv:2506.07885},
year = {2025}
}