Nowadays, biking is flourishing in many Western cities. While many roads are used for both cars and bicycles, buffered bike lanes are marked for the safety of cyclists. In many cities, segregated paths are built up to have physical separation from motor vehicles. These types of biking ways are regarded as attributes in geographic information system (GIS) data. This information is required and important in the service of route planning, as cyclists may prefer certain types of bikeways. This paper presents a framework for generating networks of bikeways with attribute information from the data collected on the collaborative street view data platform Mapillary. The framework consists of two layers: The first layer focuses on constructing a bikeway road network using Global Positioning System (GPS) information of Mapillary images. Mapillary sequences are classified into walking, cycling, driving (ordinary road), and driving (motorway) trajectories based on the transportation mode with a trained XGBoost classifier. The bikeway road network is then extracted from cycling and driving (ordinary road) trajectories using a raster-based method. The second layer focuses on extracting attribute information from Mapillary images. Cycling-specific information (i.e., bicycle signs/markings) is extracted using a two-stage detection and classification model. A series of quantitative evaluations based on a case study demonstrated the ability and potential of the framework for extracting bikeway road information to enrich the existing OSM cycling road data.

如今，骑自行车在许多西方城市蓬勃发展。虽然汽车和自行车都使用许多道路，但为了保护骑车人的安全，标记了缓冲的自行车道。在许多城市中，隔离的道路被建立为与机动车物理隔离。这些类型的骑行方式被视为地理信息系统（GIS）数据中的属性。该信息在路线规划服务中是必不可少的，而且很重要，因为骑自行车的人可能更喜欢某些类型的自行车道。本文提出了一个框架，用于生成自行车道网络，该框架具有从协作街景数据平台Mapillary上收集的数据中的属性信息。该框架包括两层：第一层着重于利用Mapillary图像的全球定位系统（GPS）信息构建自行车道网络。通过训练有素的XGBoost分类器，根据运输模式，将枫叶序列分为步行，骑车，驾驶（普通道路）和驾驶（高速公路）轨迹。然后，使用基于栅格的方法从骑行和驾驶（普通道路）轨迹中提取出自行车道道路网络。第二层着重于从Mapillary图像中提取属性信息。使用两阶段检测和分类模型提取特定于自行车的信息（即自行车标志/标记）。基于案例研究的一系列定量评估证明了提取自行车道信息以丰富现有OSM自行车道数据的框架的能力和潜力。以及经过训练的XGBoost分类器，根据运输模式确定行驶轨迹（高速公路）。然后，使用基于栅格的方法从骑行和驾驶（普通道路）轨迹中提取出自行车道道路网络。第二层着重于从Mapillary图像中提取属性信息。使用两阶段检测和分类模型提取特定于自行车的信息（即自行车标志/标记）。基于案例研究的一系列定量评估证明了提取自行车道信息以丰富现有OSM自行车道数据的框架的能力和潜力。以及经过训练的XGBoost分类器，根据运输模式确定行驶轨迹（高速公路）。然后，使用基于栅格的方法从骑行和驾驶（普通道路）轨迹中提取出自行车道道路网络。第二层着重于从Mapillary图像中提取属性信息。使用两阶段检测和分类模型提取特定于自行车的信息（即自行车标志/标记）。基于案例研究的一系列定量评估证明了提取自行车道信息以丰富现有OSM自行车道数据的框架的能力和潜力。第二层着重于从Mapillary图像中提取属性信息。使用两阶段检测和分类模型提取特定于自行车的信息（即自行车标志/标记）。基于案例研究的一系列定量评估证明了提取自行车道信息以丰富现有OSM自行车道数据的框架的能力和潜力。第二层着重于从Mapillary图像中提取属性信息。使用两阶段检测和分类模型提取特定于自行车的信息（即自行车标志/标记）。基于案例研究的一系列定量评估证明了提取自行车道信息以丰富现有OSM自行车道数据的框架的能力和潜力。