Global-Scale

Global-Scale是一个全球规模的卫星图像道路图提取数据集，比现有的最大公开道路提取数据集大约20倍，覆盖全球超过13,800平方公里。

Global-Scale is a global-scale satellite imagery road map extraction dataset, which is approximately 20 times larger than the largest existing public road extraction dataset, covering an area of over 13,800 square kilometers across the globe.

原始信息汇总

Global-Scale 卫星图像道路图提取数据集

概述

• 数据集名称: Global-Scale 卫星图像道路图提取数据集
• 数据集规模: 约20倍于现有最大的公开道路提取数据集，覆盖全球13,800平方公里。
• 应用领域: 自动驾驶、导航等。
• 主要挑战: 准确高效地提取道路图，主要由于标注数据的严重稀缺。

数据集准备

• City-scale 数据集: 参考 sam_road 仓库的说明下载并准备。
• SpaceNet 数据集: 参考 sam_road 仓库的说明下载并准备。
• Global-scale 数据集: 参考 City-scale 数据集的准备方法，数据集将很快公开。

训练与推理

• 训练:
  • City-scale 数据集: python train.py --config=config/toponet_vitb_512_cityscale.yaml
  • Global-scale 数据集: python train.py --config=config/toponet_vitb_512_globalscale.yaml 或 python train.py --config=config/toponet_vitb_256_globalscale.yaml
  • SpaceNet 数据集: python train.py --config=config/toponet_vitb_256_spacenet.yaml
• 推理: python inferencer.py --config=path_to_the_same_config_for_training --checkpoint=path_to_ckpt

评估

• 评估指标: APLS 和 TOPO 指标，参考 Sat2Graph。

引用

@article{yin2024satelliteimageroadgraph, title={Towards Satellite Image Road Graph Extraction: A Global-Scale Dataset and A Novel Method}, author={Yin, Pan and Li, Kaiyu and Cao, Xiangyong and Yao, Jing and Liu, Lei and Bai, Xueru and Zhou, Feng and Meng, Deyu}, journal={arXiv preprint arXiv:2411.16733}, year={2024} }

搜集汇总

数据集介绍

构建方式

在应对全球范围内道路图提取的挑战中，Global-Scale数据集应运而生。该数据集通过整合全球多个地区的卫星图像，构建了一个覆盖面积达13,800平方公里的庞大数据库。其规模约为现有最大公开道路提取数据集的20倍，确保了数据的广泛性和多样性。数据集的构建过程中，采用了先进的图像处理技术，确保了道路网络的精确标注，从而为后续的模型训练提供了高质量的输入数据。

特点

Global-Scale数据集的显著特点在于其全球覆盖性和高分辨率。数据集不仅涵盖了多个国家和地区的道路网络，还通过精细的标注技术，确保了道路边缘和节点的高精度识别。此外，数据集的多样性体现在其包含了不同地理环境和气候条件下的道路图像，为模型在不同场景下的泛化能力提供了有力支持。

使用方法

使用Global-Scale数据集进行道路图提取模型的训练和验证，首先需要下载并准备相应的数据集文件。用户可以通过提供的脚本进行数据预处理，生成适合模型输入的格式。随后，用户可以根据需求选择不同的配置文件进行模型训练，支持多种分辨率和数据集的组合。训练完成后，用户可以通过推理脚本对新数据进行预测，并使用提供的评估工具进行性能分析。

背景与挑战

背景概述

近年来，道路图提取因其对自动驾驶和导航等领域的关键作用而备受关注。然而，准确且高效地提取道路图仍然是一个持续的挑战，主要原因是标记数据的严重稀缺。为解决这一限制，我们收集了一个全球规模的道路图提取数据集，即Global-Scale数据集。该数据集比现有的最大公共道路提取数据集大约20倍，覆盖全球超过13,800平方公里的区域。此外，我们开发了一种新的道路图提取模型SAM-Road++，该模型采用节点引导重采样方法来缓解SAM-Road模型中训练与推理之间的不匹配问题。此外，我们还提出了一种简单而有效的“扩展线”策略，以减轻道路上的遮挡问题。广泛的实验证明了所收集的Global-Scale数据集和提出的SAM-Road++方法的有效性，特别是在未见区域的预测能力方面表现出色。

当前挑战

Global-Scale数据集面临的挑战主要集中在两个方面：一是解决道路图提取领域中标记数据稀缺的问题，这需要大规模的数据收集和标注工作；二是构建过程中遇到的挑战，包括数据的不一致性、遮挡问题以及训练与推理之间的不匹配。此外，如何有效地处理和利用全球范围内的多样化数据，以提高模型的泛化能力和预测精度，也是该数据集需要克服的重要问题。

常用场景

经典使用场景

在遥感图像处理领域，Global-Scale数据集以其庞大的规模和全球覆盖范围，成为道路图提取任务中的经典资源。该数据集不仅提供了丰富的标注信息，还涵盖了全球13,800平方公里的区域，极大地扩展了现有道路提取数据集的边界。研究者们利用此数据集训练和验证道路图提取模型，特别是在处理大规模、多样化的地理环境时，展现了其无可比拟的优势。

衍生相关工作

基于Global-Scale数据集，研究者们开发了多种创新的道路图提取模型，如SAM-Road++。这些模型不仅在数据集上表现优异，还推动了相关领域的技术进步。例如，SAM-Road++通过节点引导重采样方法，有效解决了训练与推理之间的不匹配问题，进一步提升了道路图提取的准确性和效率。

数据集最近研究

最新研究方向

在卫星图像处理领域，Global-Scale数据集的引入标志着道路图提取技术迈向了一个新的高度。该数据集不仅规模庞大，覆盖面积超过13,800平方公里，而且其数据量是现有最大公共道路提取数据集的20倍。这一特性使得Global-Scale数据集成为研究全球范围内道路网络提取的理想选择。当前的研究方向主要集中在利用深度学习模型，如SAM-Road++，通过节点引导重采样方法来解决训练与推理之间的不匹配问题。此外，扩展线策略的提出进一步提升了模型在道路遮挡情况下的表现。这些研究不仅推动了道路图提取技术的进步，也为自动驾驶和导航系统的发展提供了强有力的数据支持。