34、基于深度学习的自行车道交叉口识别框架PICT

基于深度学习的自行车道交叉口识别框架PICT

1. 引言

在自行车地图中准确识别道路交叉口对于提升导航体验和城市规划具有重要意义。为了提高识别精度，提出了一种基于深度学习的交叉口识别框架PICT，它能够推断交叉口的中心位置和覆盖范围，尤其在识别稀疏轨迹的小交叉口以及区分不同大小的交叉口方面表现出色。

2. PICT框架介绍

2.1 关联概率

PICT与预测概率prvi相关联，该概率与中心位置和覆盖范围同时输出。由于空间限制，若需更详细描述，可参考相关资料。

2.2 交叉口细化

采用滑动窗口模型，确保每个交叉口至少位于一个图块的非边界区域。设计了交叉口细化策略，用相邻图块中的最优完整候选交叉口替换当前图块中的不完整候选交叉口。具体步骤如下：
1. 遍历图块的候选交叉口。
2. 若不完整候选交叉口v位于图块t1的边界，在其相邻图块t5的非边界区域搜索对应的完整交叉口v′，相邻图块的位置需等于当前图块t1向交叉口v的重叠边界滑动一步（右下方向）后的位置。
3. 确定相邻图块后，选择置信度最高的候选交叉口v′替换不完整交叉口v，置信度定义为prv′ × IOU(v′.cr, v.cr)，其中prv′为交叉口生成输出的v′的预测概率，IOU(v′.cr, v.cr)为v′和v的覆盖范围的交并比。

2.3 训练和推理

训练过程中，仅网格拓扑表示模块和交叉口生成模块参与模型优化，采用与MaskDINO相同的优化过程，包括推断交叉口与真实值之间的二分匹配和相同的损失函数。交叉口细化模块专为在训练好的模型下检测测试区域的交叉口而设计。