在数字化时代，道路网络信息的准确性对于各种地理信息服务至关重要，尤其是对于在线食品配送（OFD）等现代服务。然而，传统的地图服务往往无法提供住宅小区等封闭区域内部道路的完整信息，这对于配送路线规划构成了巨大挑战。为了解决这一问题，本文将深入探讨一种创新的自动道路提取模型——DF-DRUNet，它通过融合遥感图像和GPS轨迹数据，显著提升了道路网络自动提取的准确性。
道路信息的重要性
在移动互联网的浪潮下，OFD服务迅速融入了我们的日常生活。然而，配送过程中，住宅小区内部道路的不完整性导致了配送效率的降低。为了优化配送路线，提高效率，准确提取这些“隐藏”的道路信息显得尤为关键。
传统方法的局限性
传统的道路提取方法依赖于遥感图像或GPS轨迹数据，但各有不足。遥感图像可能受到遮挡物的影响，而GPS轨迹则可能因设备质量不均或信号干扰而产生噪声。单一数据源的局限性促使研究者探索多源数据融合的可能性。
(a) 虽然 GPS 轨迹数据可用于检测道路，但同时会引入过多的噪声。(b) 遥感图像中的内部道路通常被高层建筑和树木遮挡。(c) 停车场和空地与内部道路的外观相似，因此不容易将内部道路与这些结构区分开来。(d) 仅基于 GPS 轨迹的信息，一些 GPS 轨迹较少的内部道路难以识别，如黄色矩形所示。
创新的DF-DRUNet模型
DF-DRUNet模型的创新之处在于其解码器融合模型的设计，它通过结合遥感图像和GPS轨迹数据，实现了更高效、更准确的道路网络自动提取。
模型架构
DF-DRUNet模型由两个关键组件构成：
独立模型输入：模型使用两个独立的扩张Res-U-Net结构，分别处理遥感图像和GPS轨迹数据。
解码器融合：通过门控融合模块（GFM），模型能够在不同尺度上融合来自两种模态的特征图。
DF-DRUNet模型主要结构。该模型由两个独立的扩张Res-U-Nets组成。对于遥感图像的输入，输入尺寸为640×640×3，包含红、绿、蓝三波段颜色。对于GPS轨迹的输入，输入尺寸为640×640×2，包含轨迹点密度图和轨迹线密度图。扩张Res-U-Net基于U-Net结构，重复应用扩张残差块。双融合解码器由遥感图像解码器和GPS轨迹解码器通过GFM单元进行融合。
门控融合模块（GFM）
GFM是DF-DRUNet的核心创新之一，它模拟了人类在决策过程中的信息选择机制。GFM由输入门、选择门、双融合门和输出门组成，通过学习选择更适合当前任务的数据模态，提升了模型的泛化能力和准确性。
门控融合模块（GFM）的内部结构
扩张卷积的应用
扩张卷积的引入扩大了模型的感受野，允许在不降低分辨率的情况下捕获多尺度信息，这对于提取被遮挡或难以直接观察的道路区域尤为重要。
具有不同扩张率的扩张卷积。通过根据扩张率在 3×3 滤波器的核权重之间插入间隙来扩大扩张卷积的有效感受野
损失函数的优化
DF-DRUNet采用了BCE-Dice损失函数，有效解决了类别不平衡问题，提高了模型对小类别（如道路）的识别能力。
实验设计与结果
实验部分，研究者使用了北京地区居住区的遥感图像和GPS轨迹数据集，通过定量评估，DF-DRUNet在F1得分和IoU上均实现了最佳性能，验证了模型的有效性。
数据预处理
研究者对GPS轨迹数据进行了精心的预处理，生成了轨迹点密度图和轨迹线密度图，这些特征图为模型提供了丰富的空间信息。
GPS轨迹特征图生成示意图。给定一个住宅小区的边界，我们首先获取边界框，然后从相应的数据库中查询遥感图像和 GPS 轨迹。最后，我们从遥感图像的每个像素投影生成两个 2D GPS 轨迹特征图
评估指标
精度、召回率、F1分数和IoU作为评估模型性能的关键指标，全面反映了DF-DRUNet在道路提取任务上的优势。
测试数据集上的内部道路提取结果。（a）原始遥感图像（b）住宅区内的遥感图像（c）GPS 轨迹的点密度图（d）GPS 轨迹的线密度图（e）地面实况的二值图像（f）预测结果的二值图像
消融研究
通过消融研究，证实了扩张卷积模块、残差块和解码器融合模块对于提升模型性能的重要性。
消融研究在准确率、召回率、F1 分数和 IoU 方面的定量比较，其中粗体值代表相应指标的最佳值，其中粗体值代表相应指标的最佳值
| Method | Precision | Recall | F1-score | IoU |
|---|---|---|---|---|
| DF-RUNet | 0.872 ± 0.037 | 0.827 ± 0.046 | 0.848 ± 0.024 | 0.728 ± 0.023 |
| DF-DUNet | 0.861 ± 0.046 | 0.816 ± 0.034 | 0.837 ± 0.025 | 0.716 ± 0.021 |
| DRUNet | 0.851 ± 0.032 | 0.787 ± 0.048 | 0.817 ± 0.033 | 0.670 ± 0.029 |
| DF-DRUNet | 0.882 ± 0.046 | 0.837 ± 0.071 | 0.857 ± 0.045 | 0.746 ± 0.038 |
内部道路提取结果与地面实况、DF-DRUNet 和不同比较基线模型的视觉比较
讨论与未来研究方向
尽管DF-DRUNet在当前任务中表现出色，但研究者也指出了未来研究的方向，如考虑速度和方向信息的融合，以及探索半监督学习方法以减少对大量手动标注数据的依赖。
结论
DF-DRUNet模型为自动道路提取领域带来了新的视角，其创新的解码器融合模型和门控融合模块设计，为处理多源数据提供了有效的策略。这一研究不仅对OFD服务有着重要的实际应用价值，也为地理信息科学领域的学者和学生提供了宝贵的研究思路。
DOI：10.1016/j.jag.2023.103632
