铺设或未铺设？基于Mapillary街景图像的深度学习衍生全球路面数据集
计算机视觉与模式识别
2024-10-30 v2 人工智能
摘要
我们发布了一个具有全球覆盖范围的道路路面特征（铺设或未铺设）开放数据集，该数据集利用了来自全球最大的众包街景平台 Mapillary 的1.05亿张图像，并借助了最先进的地理空间人工智能方法。我们提出了一种混合深度学习方法，该方法结合了基于 SWIN-Transformer 的路面预测和基于 CLIP 与深度学习分割的阈值过滤，以滤除低质量图像。路面预测结果已与 OpenStreetMap (OSM) 道路几何信息相匹配并整合。本研究提供了源自地图和统计数据的全球数据洞察，涉及大陆和国家尺度上的 Mapillary 覆盖范围和道路铺设情况的空间分布，并区分了农村与城市地区。该数据集将全球路面信息的可用性扩大了超过300万公里，目前约占全球道路网总长度的36%。大多数地区显示出中等到较高的铺设道路覆盖率（60-80%），但在非洲和亚洲的特定地区存在显著差距。城市地区往往具有近乎完全的铺设覆盖率，而农村地区则显示出更大的变异性。针对 OSM 路面数据的模型验证取得了强劲的性能，各大洲铺设道路的 F1 分数在91%至97%之间。继承 Mapillary 及其贡献者的工作并丰富 OSM 道路属性，我们的工作为城市规划、灾害路线规划、物流优化等应用提供了有价值的见解，并响应了各项可持续发展目标：特别是 SDG 1（无贫穷）、3（良好健康与福祉）、8（体面工作和经济增长）、9（产业、创新与基础设施）、11（可持续城市和社区）、12（负责任消费和生产）以及13（气候行动）。
引用
@article{arxiv.2410.19874,
title = {Paved or unpaved? A Deep Learning derived Road Surface Global Dataset from Mapillary Street-View Imagery},
author = {Sukanya Randhawa and Eren Aygun and Guntaj Randhawa and Benjamin Herfort and Sven Lautenbach and Alexander Zipf},
journal= {arXiv preprint arXiv:2410.19874},
year = {2024}
}