RoadTagger：基于图神经网络的鲁棒道路属性推断
计算机视觉与模式识别
2020-01-01 v1 机器学习
摘要
从卫星影像中推断车道数和道路类型等道路属性具有挑战性。常因卫星影像中的遮挡以及道路属性的空间相关性，道路上某一位置的道路属性可能只有在考虑远处路段时才显现。因此，要鲁棒地推断道路属性，模型必须整合分散信息并捕捉沿道路的特征空间相关性。依赖图像分类器的现有方案未能捕捉该相关性，导致精度不佳。我们发现此失败源于一个根本局限——图像分类器有限的有效感受野。为克服该局限，我们提出RoadTagger，一种结合卷积神经网络(CNNs)与图神经网络(GNNs)进行道路属性推断的端到端架构。图神经网络的使用允许在道路网络图上进行信息传播，并消除了图像分类器的感受野局限。我们在覆盖美国20个城市共688 km^2区域的大型真实数据集及一个合成微数据集上评估RoadTagger。评估中，RoadTagger相较基于CNN图像分类器的方法提升了推断精度。RoadTagger还展现出对卫星影像中不同扰动的强鲁棒性，以及学习沿道路网络聚合分散信息的复杂归纳规则的能力。
引用
@article{arxiv.1912.12408,
title = {RoadTagger: Robust Road Attribute Inference with Graph Neural Networks},
author = {Songtao He and Favyen Bastani and Satvat Jagwani and Edward Park and Sofiane Abbar and Mohammad Alizadeh and Hari Balakrishnan and Sanjay Chawla and Samuel Madden and Mohammad Amin Sadeghi},
journal= {arXiv preprint arXiv:1912.12408},
year = {2020}
}