本項目提出使用弱監督訓練樣本來訓練深度網絡模型用于預測道路中心點，結合道路的先驗知識，用矩形滑動窗口跟蹤高分辨遙感圖像中的道路網絡。該項目克服了傳統模型需要精確道路掩模作為模型的訓練樣本的問題，大大降低了深度模型訓練的制作難度和成本。
本項目依托省級重點實驗室-“數字福建智能家居信息采集及處理物聯網實驗室”，負責團隊包括多名副教授和講師，長期從事智能算法和數據處理的研究，科研經驗豐富。
本項目是國內外第一個提出以道路中心點作為弱監督樣本來訓練深度網絡的算法，該模型的性能接近于使用精確樣本訓練的道路分割模型，具有較高的應用價值。
該模型可應用于輔助地圖矢量化過程，提高地圖更新效率。
預期市場前景與效益：
第一，該項技術可以降低地圖數字化企業在道路矢量化過程中產生的人工成本，提高道路矢量化的速度和效率，甚至提高道路矢量化的數據精度；第二，由于所提算法基于弱監督的深度學習模型，通過人工采集道路中心點樣本，而不是制作精確的道路網絡掩模，大大降低了制作訓練數據的成本，也提高了樣本制作的效率；第三，而不像傳統的分割算法生成道路區域的預測，本算法采用道路跟蹤的模式，使得算法的輸出結果可直接轉化為道路網絡的矢量數據。
工業生產中,道路矢量化的圖像尺寸一般是５０００×５０００像素(按０．５m 分辨率的航拍圖像６．２５km２ 的圖幅計),人工提取一個圖幅的道路網絡平均需要耗時1個人工工作日，使用本算法，有望把工作量降至0.5個人工工作日，該時間包括算法生成初始的道路網絡和后期的人工修正與檢查。
期望合作方：地圖矢量化企業、國家自然災害應急部門、國家人道主義救援部門、無人駕駛研發企業、遙感數據處理與分析企業。
評論
全部評論