Abstract
يعد رسم خرائط دقيقة للبنية التحتية للطرق من الصور الجوية أمرًا بالغ الأهمية لمختلف التطبيقات ولكنه يطرح تحديات عديدة بسبب تعقيد أنماط الطرق في الواقع الحقيقي. يبحث هذا البحث في تقنيات التعلم العميق لاستخراج الطرق بشكل الي من البيانات العامة. يتم تقييم العديد من بنى الشبكات العصبية التلافيفية (CNN) بما في ذلك الشبكة الطيفية المكانية الهجينة (HybridSN) التي تجمع بين للصور البصرية وبيانات الليدار. يتم تقييم النماذج على مجموعة بيانات من الصور الجوية الحضرية باستخدام علامات حقيقة أرضية مشتقة من تقنية الليدار. ويحقق HybridSN الذي يدمج كلاً من المعالجة الطيفية والمكانية أعلى أداء بدقة إجمالية تبلغ 96.9% و80.6% من التقاطع بعد المعالجة اللاحقة. تتيح النمذجة المشتركة للإشارات متعددة الوسائط إمكانية تحديد أجزاء الطريق وتحديدها بدقة عالية. وبالمقارنة، فإن شبكات CNN التي تستفيد من السياق المكاني وحده تؤدي أداءً أسوأ مع أفضل دقة إجمالية تبلغ 95.4% بعد المعالجة اللاحقة. تظهر جميع النماذج أوجه قصور في استخراج شبكات الطرق المتماسكة . وهذا يدل على أهمية دمج البيانات الطيفية والمكانية ضمن أطر التعلم العميق لاستخراج الطرق. تسلط النتائج الضوء على الفرص المتاحة لتطوير أحدث الخرائط من خلال أجهزة الاستشعار الهجينة وتصميم بنى عصبية ذات وعي طوبولوجي أقوى. يقوم بالتحليل الآلي للبيانات الجوية متعددة الوسائط مع التعلم العميق والحفاظ على كفاءة قوائم جرد حديثة للبنية التحتية الحيوية للنقل على نطاق المدن.
Published Version
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call