UniPoly:一个用于遥感图像中多边形和折线提取的统一实例级框架
《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:UniPoly: A unified instance-level framework for polygon and polyline extraction from remote sensing images
【字体:
大
中
小
】
时间:2026年10月24日
来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.9
编辑推荐:
向量数据是地理空间分析中的一种基础数据表示形式。与栅格数据相比,向量数据在几何表示精度、存储效率和结构可编辑性方面具有显著优势。然而,现有方法通常仅限于从遥感影像中提取单一类型的向量对象,并且通常需要根据不同的向量类型设计专门的编码方案,这限制了模型的泛化能力。考虑到多边形和
向量数据是地理空间分析中的一种基础数据表示形式。与栅格数据相比,向量数据在几何表示精度、存储效率和结构可编辑性方面具有显著优势。然而,现有方法通常仅限于从遥感影像中提取单一类型的向量对象,并且通常需要根据不同的向量类型设计专门的编码方案,这限制了模型的泛化能力。考虑到多边形和多段线本质上可以分别表示为由一系列点组成的闭合曲线和开放曲线,本文提出了一种能够同时表示这两种类型特征的统一编码策略,以及一个名为UniPoly的统一模型,用于从遥感影像中同时提取多边形和多段线特征。此外,鉴于从遥感影像中提取多边形和多段线需要比常规目标检测任务更高的关键点定位精度,我们设计了一种多点注意力机制。该机制为同一实例内的每个节点分配独立的参考点,而不是让整个实例共享一个参考点,从而提高了节点定位的精度。实验结果表明,UniPoly在具有不同场景特征的三个数据集——Topo-boundary、CrowdAI和SpaceNet3——上均取得了优异的性能。具体而言,在Topo-boundary数据集上,UniPoly相比当前最先进的平均路径长度相似度(APLS)指标提升了3.6%;在CrowdAI数据集上,平均精度(AP)提升了2.1%;在SpaceNet3数据集上,基于熵的连通性度量(ECM)进一步提升了0.14%。此外,UniPoly在所有三个数据集上均实现了最高的推理效率,相比竞争方法提升了1.5至20倍,这表明所提方法在保持高精度的同时提供了显著的效率优势。UniPoly的代码和实验结果可在https://github.com/ucas-dlg/UniPoly获取。
**引言**
向量地图是地理空间分析中的一种基础数据形式,能够以紧凑且高保真的方式表示复杂的地表信息(Wang等,2025;Lu和Weng,2025;Li等,2024)。如图1所示,与传统栅格表示相比,向量表示在几何描述精度、数据存储效率和结构可编辑性方面具有显著优势。因此,从遥感影像中提取高质量的向量地图已成为自主驾驶(Wu等,2025)、国土空间规划(Pickens等,2025)、智慧城市发展(Li等,2026)以及基础测绘产品更新(Bastani和Madden,2021)等广泛应用的关键技术要求。在地理空间分析的向量地图构建中,多边形和多段线构成了两种最基本且互补的元素类型(Chen等,2025)。多边形通常用于勾勒面状对象,如建筑物轮廓、地块边界和水体,而多段线则用于表示线性结构,包括道路中心线或边界、河流和管线。因此,如何高效准确地从遥感影像中同时提取多边形和多段线特征,已成为近年来地理信息科学和遥感领域的一个重要研究课题(Wang等,2025;Li等,2024)。
在深度学习出现之前,从遥感影像中提取高精度多边形和多段线图层主要依赖于人工或半自动工作流程。当处理覆盖大范围空间区域且具有复杂结构的高分辨率影像时,这些方法通常耗时且成本高昂,难以满足大规模自动制图和空间分析的需求。近年来,深度学习已成为从遥感影像中提取向量的主导范式,逐渐形成了三条代表性技术路线:基于掩膜的后处理方法、基于节点检测的方法和基于实例检测的方法。如图2(a)所示,基于掩膜的后处理方法遵循从分割到向量化的流水线,首先预测栅格掩膜,然后将其矢量化以生成对象轮廓。尽管这类方法相对简单,但预测的栅格结果通常存在边界锯齿、顶点缺失和轮廓扭曲等问题。此外,后续矢量化过程容易产生累积误差,可能导致复杂结构区域出现拓扑不一致。如图2(b)所示,基于节点检测的方法通过定位关键点并推断其连接关系来重建向量结构。早期的迭代方法,如RoadTracer(Bastani等,2018)、RNGDet(Xu等,2022)、iCurb(Xu等,2021a)和Polygon-RNN系列(Castrejon等,2017;Acuna等,2018),逐步生成目标轮廓,但通常推理效率较低。并行方法则先检测所有节点,然后使用邻接矩阵、后处理策略或图神经网络构建向量特征。尽管这些方法提高了效率,但它们通常需要对普通点进行大量监督,并在一定程度上削弱了单个实例的结构完整性,可能导致误连接或冗余顶点。相比之下,如图2(c)所示,基于实例检测的方法将每个多边形或多段线建模为独立实例,从而更好地保持了对象的几何完整性和独立性。因此,这一范式逐渐兴起,成为近年来向量提取的重要方向,特别是在道路和建筑物矢量化研究中。尽管基于实例检测的方法在流程简洁性和性能方面具有优势,但大多数现有方法仍针对单一向量类型设计,通常仅在多边形或多段线任务中取得令人满意的结果,难以同时推广到两者。例如,现有研究通常针对建筑物轮廓或道路边界分别设计特定的表示和解码机制,这限制了模型的通用性。因此,迫切需要一种统一的建模策略和相应框架,能够在单一模型中高效准确地同时提取多边形和多段线向量特征。
本文提出了UniPoly,一个用于从遥感影像中提取多边形和多段线特征的统一模型。所提方法以实例作为基本建模单元,学习每个实例内节点的高维表示,并通过节点集聚合来表示整体几何形状。与仅需要边界框回归的常规目标检测任务不同,遥感影像中的多边形特征通常呈现复杂不规则的形状,而多段线特征则通常具有细长且连续延伸的几何特性。因此,传统的可变形注意力机制往往难以在复杂边界和关键几何位置实现足够的建模能力。为了解决这一问题,本文引入了一种多点注意力机制,在增强每个实例内各节点的监督的同时保持计算效率,从而提高了建筑物顶点以及道路拐角和端点等关键位置的检测精度。在特征表示方面,考虑到多边形和多段线本质上都是曲线表示,分别对应闭合和开放的拓扑形式,本文采用固定数量的节点联合建模这两种特征,并使用一个分类头来区分它们。这一设计使得所提模型能够在统一框架下同时提取多边形和多段线特征。实验结果表明,UniPoly在多个公开数据集上取得了最先进的性能,同时保持了良好的推理效率。
我们的主要贡献如下:
1. 我们提出了UniPoly,一个统一的实例级向量提取框架,用于从遥感影像中同时提取多边形和多段线对象,解决了现有方法通常只关注单一几何类型的局限性。
2. 我们开发了一种统一的几何编码策略,为多边形和多段线提供一致的表示,为统一的几何提取奠定了基础。
3. 我们提出了一种多点注意力机制,增强了对关键点定位的监督,并提高了建筑物顶点和道路关键点(如拐角和端点)的位置精度。
4. 在Topo-boundary、CrowdAI和SpaceNet3数据集上的大量实验表明,UniPoly在关键的向量和拓扑相关指标上取得了最先进的或极具竞争力的性能,同时提供了显著的效率优势。
**相关工作**
首先,需要明确的是,本研究中的多边形类型对象主要指建筑物轮廓和闭合的道路边界,而多段线类型对象主要指道路中心线和非闭合的道路边界。本节系统回顾了与本研究密切相关的现有深度学习方法。具体而言,综述聚焦于三个方面:道路中心线和道路边界提取、建筑物边界提取,以及……
**方法**
本节系统介绍了所提出的UniPoly框架。UniPoly的核心思想是将目标检测范式扩展到向量化的实例建模,通过预定义的固定多节点公式表示影像中检测到的实例,从而使多样化的几何模式得以统一且并行的表达。为进一步强化节点级监督,引入了一种多点注意力机制来增强对……的建模。
**Topo-boundary数据集**
该数据集旨在建模道路边界的拓扑结构,包含25,295张航空影像,每张尺寸为1000×1000像素,空间分辨率为0.15米/像素。其中20,236张用于训练,1,770张用于验证,3,289张用于测试。由于道路边界形态的多样性,该数据集包含多边形和多段线两种类型的标注。
**CrowdAI制图挑战数据集**
CrowdAI数据集(Mohanty等,2020)包含超过340,000张遥感影像……
**Topo-boundary数据集上的结果**
表1展示了不同方法在Topo-boundary数据集上的定量比较。总体而言,UniPoly取得了最具竞争力的性能,在所有指标上均排名第一(严格2像素松弛得分除外),并在几何定位和拓扑结构保持方面展现了强大能力。在Douglas-Peucker矢量化后,Mask2Former+DP在2像素阈值下的精度、召回率和F1分数略高,而UniPoly则显示出明显的……
**结论**
本文提出了UniPoly,一个用于从遥感影像中同时提取多边形和多段线对象的统一实例级向量提取框架。通过开发统一的几何编码方案,UniPoly以一致的方式表示闭合曲线和开放曲线,从而能够在单一框架内联合建模这两种向量类型。为进一步提高关键几何点的定位精度,我们进一步设计了一种多点注意力机制,为每个……分配独立的参考点。
**CRediT作者贡献声明**
邓立高:撰写——初稿、概念化。席志豪:撰写——审阅与编辑。陈健生:监督。任玉环:资源。陈京波:资源。岳安智:项目管理。邓宇鹏:撰写——审阅与编辑、数据整理。孟宇:资金获取。
**利益冲突声明**
作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。
**致谢**
本研究由中国科学院战略先导科技专项资助(项目编号:XDA0360303)。
邓立高 | 席志豪 | 陈健生 | 任玉环 | 陈京波 | 岳安智 | 邓宇鹏 | 孟宇
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号