基于遥感数据与自监督学习的可扩展标签高效步道网络生成
计算机视觉与模式识别
2023-09-19 v1
摘要
步道制图、建模与分析可为交通、健康、环境与城市规划等诸多研究领域提供重要的地理空间洞察。稳健的地理信息系统（GIS）图层有助于基础设施清单的管理，尤其在地方政府层面，城市规划者负责此类基础设施的部署与维护。然而，许多城市仍缺乏关于步道位置、连通性与宽度的实时信息，和/或采用昂贵的人工调查手段来收集这些信息。本工作设计并实现了一条基于遥感图像利用机器学习模型自动生成步道网络的流水线。分割任务的标注，尤其是带有特殊要求的遥感图像标注，成本极高，因此我们旨在引入一条需要更少标注数据的流水线。考虑到监督方法需要大量训练数据，我们采用自监督方法进行特征表示学习以降低标注需求。随后，预训练模型被用作 U-Net 的编码器以进行步道分割。基于生成的掩膜，提取步道多边形并转换为步道网络，可被地理信息系统便捷地加载与可视化。验证结果表明，与人工收集的 GIS 图层相比具有相当高的一致性。本工作提出的步道网络生成流水线低成本且可扩展，可应用于有遥感图像覆盖的区域。Github: https://github.com/WennyXY/FootpathSeg。
引用
@article{arxiv.2309.09446,
title = {Scalable Label-efficient Footpath Network Generation Using Remote Sensing Data and Self-supervised Learning},
author = {Xinye Wanyan and Sachith Seneviratne and Kerry Nice and Jason Thompson and Marcus White and Nano Langenheim and Mark Stevenson},
journal= {arXiv preprint arXiv:2309.09446},
year = {2023}
}