本项目提出使用弱监督训练样本来训练深度网络模型用于预测道路中心点，结合道路的先验知识，用矩形滑动窗口跟踪高分辨遥感图像中的道路网络。该项目克服了传统模型需要精确道路掩模作为模型的训练样本的问题，大大降低了深度模型训练的制作难度和成本。

    本项目依托省级重点实验室-“数字福建智能家居信息采集及处理物联网实验室”，负责团队包括多名副教授和讲师，长期从事智能算法和数据处理的研究，科研经验丰富。

    本项目是国内外第一个提出以道路中心点作为弱监督样本来训练深度网络的算法，该模型的性能接近于使用精确样本训练的道路分割模型，具有较高的应用价值。

    该模型可应用于辅助地图矢量化过程，提高地图更新效率。

    预期市场前景与效益：

    第一，该项技术可以降低地图数字化企业在道路矢量化过程中产生的人工成本，提高道路矢量化的速度和效率，甚至提高道路矢量化的数据精度；第二，由于所提算法基于弱监督的深度学习模型，通过人工采集道路中心点样本，而不是制作精确的道路网络掩模，大大降低了制作训练数据的成本，也提高了样本制作的效率；第三，而不像传统的分割算法生成道路区域的预测，本算法采用道路跟踪的模式，使得算法的输出结果可直接转化为道路网络的矢量数据。

    工业生产中,道路矢量化的图像尺寸一般是５０００×５０００像素(按０．５m 分辨率的航拍图像６．２５km２ 的图幅计),人工提取一个图幅的道路网络平均需要耗时1个人工工作日，使用本算法，有望把工作量降至0.5个人工工作日，该时间包括算法生成初始的道路网络和后期的人工修正与检查。

    期望合作方：地图矢量化企业、国家自然灾害应急部门、国家人道主义救援部门、无人驾驶研发企业、遥感数据处理与分析企业。