Mapillary街景图像全球道路表面数据集

Mapillary街景图像全球道路表面数据集是由海德堡地理信息技术研究所 (HeiGIT) 创建的，基于Mapillary平台上的105百万张街景图像，利用先进的地球空间人工智能方法生成的全球道路表面特征（铺砌或未铺砌）数据集。该数据集包含104,523,781张图像，覆盖全球范围，旨在通过深度学习方法提高道路表面信息的可用性。数据集的创建过程包括图像下载、预处理、深度学习模型训练和数据标注等步骤。该数据集主要应用于城市规划、灾难路径规划、物流优化等领域，支持实现可持续发展目标（SDGs）。The Global Road Surface Dataset based on Mapillary Street View Images was created by the Heidelberg Institute for Geoinformation Technology (HeiGIT). It is generated using advanced geospatial artificial intelligence methods from 105 million street view images on the Mapillary platform, focusing on global road surface features (paved or unpaved). This dataset contains 104,523,781 images covering the entire globe, aiming to improve the availability of road surface information via deep learning methods. The construction process of this dataset includes steps such as image downloading, preprocessing, deep learning model training and data annotation. This dataset is mainly applied in fields such as urban planning, disaster route planning, logistics optimization, and supports the achievement of Sustainable Development Goals (SDGs).

搜集汇总

数据集介绍

构建方式

该数据集的构建基于Mapillary街景图像平台，利用了全球范围内超过1亿张的街景图像。通过结合SWIN-Transformer和CLIP-and-DL分割技术，研究人员开发了一种混合深度学习方法，用于预测道路表面特征（铺砌或未铺砌）。该方法首先从Mapillary API中提取图像序列，并进行空间过滤以确保数据的相关性。随后，通过深度学习模型对图像进行分类，并将预测结果与OpenStreetMap（OSM）的道路几何数据进行匹配和整合。最终，生成了一个全球覆盖的道路表面特征数据集，涵盖了约36%的全球道路网络。

使用方法

该数据集可广泛应用于城市规划、灾害应急响应、物流优化等多个领域。用户可以通过访问数据集的链接，获取包含Mapillary图像元数据、深度学习预测结果以及与OSM匹配的道路信息的综合数据。数据集的结构化格式和丰富的属性信息，使其易于集成到现有的地理信息系统和数据分析平台中。此外，数据集还提供了详细的文档和示例代码，帮助用户快速上手并进行定制化分析。

背景与挑战

背景概述

Mapillary街景图像全球道路表面数据集由Heidelberg Institute of Geoinformation Technology (HeiGIT)的研究人员创建，旨在利用Mapillary平台上的105百万张街景图像，通过先进的地球空间人工智能方法，生成一个全球覆盖的道路表面特征（铺砌或未铺砌）的开源数据集。该数据集的核心研究问题是如何通过混合深度学习方法，结合SWIN-Transformer和CLIP-and-DL分割技术，从多样化的全球街景图像中准确预测道路表面类型，并将其与OpenStreetMap (OSM)的道路几何数据进行匹配和整合。这一研究不仅填补了全球道路表面数据信息的空白，还显著提升了OSM数据在交通、城市规划、环境研究等领域的应用价值。

当前挑战

该数据集在构建过程中面临多个挑战。首先，解决的领域问题是图像分类，特别是从复杂的街景图像中区分铺砌和未铺砌的道路。其次，构建过程中遇到的挑战包括：1) 图像质量的异质性，由于Mapillary图像来自不同设备和摄影师，图像质量参差不齐；2) 数据覆盖的不均匀性，Mapillary和OSM数据在全球范围内的覆盖率存在显著差异，尤其是在非洲和亚洲的部分地区；3) 模型的不确定性，尽管深度学习模型表现出色，但在处理非道路图像和混合表面类型的图像时仍存在误差；4) 数据匹配的准确性，将Mapillary图像与OSM道路几何数据进行精确匹配是一个复杂的过程，尤其是在OSM数据不完整或质量较低的区域。

常用场景

经典使用场景

Mapillary街景图像全球道路表面数据集的经典使用场景主要集中在利用深度学习技术对全球范围内的道路表面进行分类，特别是区分铺砌道路和未铺砌道路。该数据集通过整合Mapillary平台上的1.05亿张街景图像，结合先进的深度学习方法，如SWIN-Transformer和CLIP-and-DL分割模型，实现了对道路表面特征的高精度预测。这些预测结果与OpenStreetMap（OSM）的道路几何数据相结合，为全球道路网络提供了详细的道路表面信息，从而支持城市规划、灾害应急响应、物流优化等多个领域的应用。

解决学术问题

该数据集解决了全球范围内道路表面信息不足的学术研究问题，特别是在发展中国家和偏远地区。通过提供全球覆盖的道路表面数据，该数据集显著增强了地理信息系统的数据完整性和可用性，有助于更准确地评估交通相关排放、理解经济机会的驱动因素以及规划适合的灾害应急路线。此外，该数据集还为实现联合国可持续发展目标（SDGs）提供了关键数据支持，特别是在SDG 1（无贫困）、SDG 3（良好健康与福祉）、SDG 8（体面工作和经济增长）、SDG 9（工业、创新和基础设施）、SDG 11（可持续城市和社区）、SDG 12（负责任消费和生产）和SDG 13（气候行动）等方面。

实际应用

在实际应用中，Mapillary街景图像全球道路表面数据集被广泛用于城市规划、交通管理和灾害响应等领域。例如，城市规划者可以利用该数据集评估和优化道路网络，确保基础设施的可持续性和高效性。交通管理部门则可以通过分析道路表面状况，制定更有效的维护和修复策略，提高道路安全性和通行效率。在灾害响应方面，应急服务可以利用该数据集快速评估受灾地区的道路状况，规划最有效的救援路线，从而提高应急响应的效率和效果。

数据集最近研究

最新研究方向

在地理信息系统和城市规划领域，Mapillary街景图像全球道路表面数据集的最新研究方向主要集中在利用深度学习和计算机视觉技术，从大规模的街景图像中提取和分析道路表面特征。这一研究不仅填补了全球范围内道路表面数据的部分空白，还为城市规划、灾害响应和可持续发展目标（SDGs）的实现提供了关键数据支持。通过结合SWIN-Transformer和CLIP-and-DL分割技术，研究者们能够更准确地识别和分类道路表面类型，从而提高数据集的可靠性和实用性。此外，该研究还强调了在全球不同区域，特别是非洲和亚洲部分地区，道路表面数据的不足，并提出了通过增强本地数据收集能力来改善这一状况的建议。

相关研究论文

• Paved or unpaved? A Deep Learning derived Road Surface Global Dataset from Mapillary Street-View Imagery

  海德堡地理信息技术研究所 (HeiGIT) · 2024年