An open-source data-driven automatic road extraction framework for diverse farmland application scenarios

doi:10.1016/j.compag.2025.110330

An open-source data-driven automatic road extraction framework for diverse farmland application scenarios

2025-06-04

0

PRE

AI

DOI：10.1016/j.compag.2025.110330

原文链接

原文求助

摘要

En 中文

农田道路狭窄的轮廓、与周围物体缺乏清晰的边界特征以及特征复杂性和可变性限制了现有监督提取算法的适用性。与此同时，以SAM（Segment Anything Model）为代表的视觉分割模型能够通过适当的提示实现零样本泛化，但在有效捕捉线性物体方面存在困难。本研究引入了OSAM（OpenStreetMap SAM），通过使用历史开源数据集对SAM进行微调，以增强其检测线性特征的能力。然后，OSAM框架从开源地理数据库OpenStreetMap动态生成提示以激活SAM，实现无需额外人工标注或辅助交互的农田道路自主检测。实验表明，OSAM在农田道路分布稀疏的场景中表现优异，即使在训练数据有限的情况下也能获得稳健的结果。具体而言，当在完整数据集上训练时，OSAM的F1得分为71.91%，IoU为58.53%，显著优于DLinkNet（IoU：56.42%）和SegFormer（IoU：41.65%）。即使在仅使用原始训练样本1%的情况下，OSAM仍能保持稳健性能（F1：62.26%，IoU：47.02%），而监督学习方法如SegFormer、SIINet和UNet在极端数据约束下性能显著下降。此外，对具有不同数据分布、空间分辨率和农业环境的遥感图像进行的评估证实，OSAM实现了高提取精度和强泛化能力。该框架显著降低了对于大规模、均衡标注数据集的依赖，同时保持高精度，使农田道路提取在多样化场景中更高效、更具成本效益。

Keyword:

Farmland road

OpenStreetMap

Remote sensing imagery

Zero-shot learning

An open-source data-driven automatic road extraction framework for diverse farmland application scenarios

摘要

期刊

机构