Tiefes Lernen revolutioniert die Kartierungsindustrie. Unter leichter menschlicher Kuratierung haben Computer mithilfe hochaufgelöster Luftbilder fast die Hälfte der Straßen in Thailand auf OpenStreetMap (OSM) generiert. Bing Maps zeigt 125 Millionen computergenerierte Gebäudepolygone in den USA an. Obwohl diese automatisierten Methoden erheblich effizienter sind als manuelles Kartieren, kann man nicht alles von der Luft kartieren. Insbesondere bei Straßen führt eine kleine Vorhersagekluft durch Bildverdeckung dazu, dass die gesamte Straße für Routing nutzlos wird. Falsche Verbindungen können sogar gefährlicher sein. Daher erfordern computergestützte Kartierungen oft lokale Verifizierungen, was weiterhin arbeitsintensiv ist. In dieser Arbeit schlagen wir vor, crowdgesammelte GPS-Daten zu nutzen, um die Straßenauswertung aus Luftbildern zu verbessern und zu unterstützen. Durch innovative Datenverstärkungstechniken, GPS-Rendering und 1D-Transponierte-Faltungsmethoden zeigen wir Verbesserungen von fast 5 % im Vergleich zu früheren wettbewerbsgewinnenden Modellen und eine viel bessere Robustheit bei der Vorhersage neuer Gebiete ohne neue Trainingsdaten oder Domänenanpassung.