HoliTracer

HoliTracer是一个从大尺寸遥感图像中提取地理对象的矢量框架。它使用上下文注意力网络（CAN）来增强大尺寸遥感图像的分割，并采用Mask Contour Reformer（MCR）和Polygon Sequence Tracer（PST）来实现完整的矢量化。HoliTracer在包括建筑物、水体和道路的大型遥感图像数据集上进行了广泛的实验，结果表明其性能优于现有的基于块的方法。

HoliTracer is a vector-based framework for extracting geographic objects from large-scale remote sensing images. It employs Contextual Attention Network (CAN) to enhance the segmentation of large-scale remote sensing images, and adopts Mask Contour Reformer (MCR) and Polygon Sequence Tracer (PST) to achieve full vectorization. Extensive experiments have been conducted on large-scale remote sensing image datasets covering buildings, water bodies and roads, and the results demonstrate that HoliTracer outperforms existing patch-based methods.

搜集汇总

数据集介绍

构建方式

HoliTracer数据集通过多尺度图像金字塔构建方法，结合局部到全局的注意力机制，实现了对大规模遥感影像（RSI）中地理对象的整体矢量化。具体而言，首先利用不同下采样率构建多尺度图像金字塔，通过滑动窗口切片获取多尺度图像块，随后利用上下文注意力网络（CAN）自适应融合多尺度特征，增强分割效果。基于完整的分割结果，采用掩膜轮廓重构器（MCR）和多边形序列追踪器（PST）进行多边形重建和顶点追踪，最终生成精确的矢量结果。

使用方法

HoliTracer数据集的使用方法主要包括三个步骤：首先，利用CAN网络对大规模遥感影像进行分割，通过多尺度图像金字塔和注意力机制增强分割效果；其次，使用MCR对分割结果进行多边形重建，通过双向匹配机制确保多边形与真实标注对齐；最后，通过PST对重建后的多边形进行顶点识别和优化，生成最终的矢量结果。用户可以根据具体任务需求调整参数，如下采样率和插值距离，以适应不同类别和尺度的地理对象提取。数据集适用于高精度矢量地图生成、城市规划和导航等下游任务。

背景与挑战

背景概述

HoliTracer是由武汉大学遥感信息工程学院的研究团队于2025年提出的首个面向大规模遥感影像（RSI）地理对象全要素矢量化框架。随着遥感影像分辨率的持续提升，传统基于图像分块的处理方法面临上下文信息丢失和矢量结果碎片化的核心问题。该数据集针对建筑物、水体、道路等多类地理要素，通过创新性地整合上下文注意力网络（CAN）和多边形序列追踪器（PST），实现了从万像素级影像中直接提取完整矢量拓扑的能力。其突破性体现在将地理对象的平均轮廓相似度（PoLiS）指标提升20%以上，推动了高精度数字制图从分块处理向端到端全要素识别的范式转变。

当前挑战

HoliTracer需解决三大核心挑战：在领域层面，传统分块处理方法导致跨块建筑物轮廓断裂（CIoU下降37.2%）和水体边界拓扑错误（APLS仅14.49）；在构建过程中，万像素级影像处理面临GPU显存瓶颈，迫使采用多尺度金字塔策略（1:5:10降采样）平衡计算效率与全局上下文捕获；多类别要素的尺度差异使统一矢量化难度加剧，如道路节点间距（平均3.2像素）与水体边界复杂度（平均152顶点/多边形）相差两个数量级。此外，现有评估指标（如COCO AP）难以衡量矢量拓扑完整性，需专门设计复杂度感知IoU（C-IoU）等新型度量标准。

常用场景

经典使用场景

HoliTracer数据集在遥感影像处理领域具有广泛的应用，特别是在大尺寸遥感影像的地理对象矢量化任务中。该数据集通过其独特的Context Attention Net (CAN)和Polygon Sequence Tracer (PST)技术，能够直接从大尺寸遥感影像中提取完整的地理对象矢量，避免了传统基于小块处理方法的上下文信息丢失和结果碎片化问题。这使得HoliTracer在建筑物、水体、道路等多种地理对象的矢量化任务中表现出色。

解决学术问题

HoliTracer数据集解决了传统遥感影像矢量化方法在处理大尺寸影像时的两大核心问题：上下文信息丢失和结果碎片化。通过引入局部到全局的注意力机制，CAN能够有效捕捉大尺寸影像中的上下文依赖关系，从而提升分割的完整性。同时，MCR和PST技术能够重建多边形轮廓并精确追踪顶点，确保矢量化结果的几何完整性。这些创新显著提升了矢量化任务的精度和效率，为大尺寸遥感影像处理提供了新的解决方案。

实际应用

HoliTracer数据集在实际应用中表现出强大的潜力，特别是在城市规划、环境监测和灾害管理等领域。例如，在城市规划中，HoliTracer可以高效提取建筑物轮廓，为城市扩展和基础设施规划提供精确的矢量数据。在环境监测中，其能够准确识别水体边界，支持水资源管理和洪水预警。此外，HoliTracer还可用于道路网络提取，为智能交通系统和导航服务提供高精度地图数据。

数据集最近研究

最新研究方向

在遥感影像处理领域，HoliTracer数据集的提出标志着大尺寸遥感影像地理对象矢量化研究的重要突破。该数据集通过引入Context Attention Net（CAN）和Mask Contour Reformer（MCR）等技术，解决了传统基于图像块处理方法导致的上下文信息丢失和矢量结果碎片化问题。当前研究热点集中在大尺寸影像的全景感知、多尺度上下文融合以及跨类别地理对象的统一矢量化表示。HoliTracer的提出不仅推动了高精度矢量地图自动生成技术的发展，也为城市规划、环境监测等应用场景提供了更高效、更精确的数据支持。

相关研究论文

• HoliTracer: Holistic Vectorization of Geographic Objects from Large-Size Remote Sensing Imagery

  武汉大学生态与信息工程学院 · 2025年