航空画像とクラウドソーシングされた軌跡の融合：ロバストな道路抽出のための新アプローチ

地球科学におけるリモートセンシング解析は、重要な研究分野である。本研究では、都市開発や拡張予測など広範な応用を持つ、リモートセンシングデータから交通道路を自動抽出するという困難な課題に注目する。しかし、従来の手法は航空画像の限られた情報のみを用いるか、あるいはマルチモーダル情報（例：車両の軌跡など）を単純に統合するにとどまっているため、制約のない道路の認識には十分な性能を発揮できていない。この問題を解決するため、本研究では、航空画像とクラウドソーシングされた軌跡データという異なるモーダルデータの相補的な情報を効果的に活用する新しいニューラルネットワークフレームワークである「クロスモーダル・メッセージ伝播ネットワーク（CMMPNet）」を提案する。具体的には、各モーダル固有の表現学習を担う2つの深層オートエンコーダーと、クロスモーダル表現の精 refinement を目的とした独自設計のデュアル強化モジュールから構成されている。特に、各モーダルの相補的情報を包括的に抽出し、動的に他モーダルの表現強化に伝播させる仕組みを実現している。3つの実世界ベンチマークを用いた広範な実験により、画像と軌跡データ、あるいは画像とLiDARデータといった異なるモーダルデータを統合することで、堅牢な道路抽出が可能となることが実証された。実験結果から、提案手法は現在の最先端手法を大きく上回る性能を示した。本研究のソースコードは、プロジェクトページ（http://lingboliu.com/multimodal_road_extraction.html）にて公開されている。