基于机器学习的交通相关表面检测：西班牙马德里和维也纳的时间趋势分析
计算机视觉与模式识别
2025-03-21 v1
摘要
本研究探索了将机器学习集成到城市航空图像分析中的方法，专注于识别面向汽车和行人基础设施的表面，并分析历史趋势。它强调从卷积架构向基于转换器的预训练模型的转变，凸显了其在全球地理空间分析中的潜力。本文提出了一种用于自动生成地理空间数据集的工作流程，使能够从各种数据源（包括 WMS/WMTS 链接、矢量化制图和 OpenStreetMap (OSM) overpass-turbo 请求）创建语义分割数据集。开发的代码允许快速生成数据集，用于训练机器学习模型，无需人工标注。使用来自西班牙马德里和维也纳 respective geographical offices 的航空图像和矢量数据，为汽车和行人表面检测生成了两个数据集。对每个城市训练和评估了一个基于转换器的模型，结果显示良好的准确率。历史趋势分析涉及将训练好的模型应用于早于矢量数据可用之前的更早图像（可追溯 10 到 20 年），成功地在不同城市区域识别出行人和汽车基础设施的时空趋势。该技术可供 municipal governments 在低成本下收集有价值数据。
关键词
引用
@article{arxiv.2503.15653,
title = {Transport-Related Surface Detection with Machine Learning: Analyzing Temporal Trends in Madrid and Vienna},
author = {Miguel Ureña Pliego and Rubén Martínez Marín and Nianfang Shi and Takeru Shibayama and Ulrich Leth and Miguel Marchamalo Sacristán},
journal= {arXiv preprint arXiv:2503.15653},
year = {2025}
}
备注
Preprint