赛题旨在探索“数智”科学技术在遥感影像矢量制图领域的创新，通过人工智能技术，聚焦于建筑物和道路的高精度矢量制图。建筑物制图任务中要求准确提取建筑物轮廓，道路制图任务要求精准勾勒道路网络，综合运用了遥感影像数据处理与分析、深度学习模型的改进与应用、矢量优化等多项技术手段。

赛题是在武汉大学向全球开源发布的开放地球引擎（OGE）平台上开展的，平台支持“算力-算法-数据”弹性耦合和开放共享能力，构建了地球时空数据-信息-知识服务体系，在“一带一路”、全球测绘、数字孪生地球建设中发挥着空间信息技术的独特优势，为空天信息领域的学生提供了应用创新比赛的环境，支持智能解译、算法设计和应用开发等多个赛道的比赛。

在本次赛题中，团队首先对赛题提供的影像数据进行分析，发现建筑物和道路矢量制图中存在的挑战与难点问题，并基于这些问题，进行了深入的算法调研，探索能够解决特定问题的技术与算法。

建筑物尺寸多样，轮廓复杂，阴影遮蔽导致建筑物矢量制图存在很大挑战。而团队提出的算法能够准确区分并勾勒出建筑物的边界，对复杂结构的建筑物轮廓有较强的识别与检测能力。同时，道路网络结构复杂，包含多种复杂现象。针对这一难题，团队希望通过精准提取不同类型道路的几何结构，进而保证道路连通性。

团队成员在深入调研现有前沿算法的基础上，结合比赛需求，对现有算法的进行了改进和优化。针对建筑物提取任务，团队采用高性能特征提取网络，保证轮廓生成和优化的精确性，同时推理阶段采用重参数结构策略，加快模型推理速度。关于轮廓优化部分，尽管模型能够较好地检测建筑物轮廓点，但是由于采用融合中矢量点预测难免会存在位置偏差，团队采用边缘检测相关算法提取显著轮廓，将偏移结果进行吸附调整，力争达到最小偏差。

针对道路提取任务，基于现有的道路矢量提取网络，团队首先引入多尺度多分支训练推理策略，训练阶段不同分支专注于处理特定尺度的特征，更好地捕捉图像道路的多尺度信息。推理阶段融合不同尺度的结果，提升道路制图的完整性和精确性。与此同时，团队设计连通性优化损失，提升道路预测连通性。关于模型效率，道路的制图过程中涉及去重简化操作，其推理过程相较于建筑物提取的速度较慢，但得益于没有复杂的路网数据后处理操作，该算法的推理时间仍具有优势。

在应用前景方面，该算法能够应用于城市规划、土地利用监测和灾害应急响应，进而实现快速识别建筑物和道路布局，为政府和相关机构提供准确的地理信息支持。此外，该算法在智慧城市建设中也同样具有重要价值，可以为交通管理、基础设施规划等提供有力的数据支撑。

未来，团队也计划继续深入研究这一领域，进一步优化算法的精度和计算效率，同时探索其在多种遥感场景下的应用，以满足更复杂和多样化的实际需求，在城市规划、智慧城市建设等领域做出更多的贡献。