（1）赛道背景

基于遥感影像的道路提取对于自动驾驶、地图构建等应用具有重要意义。 而现有道路提取方法多关注于道路像素级别的分割，而对于交叉口的识别关注较少， 同时交叉口的识别定位对于更精细的道路拓扑构建和连通性信息判别就有重要意义。 本赛道希望遴选出高效高精度的算法模型，同时识别出道路的分割掩膜和交叉口区域的定位。

（2）赛道任务

选手根据提供的遥感影像识别出道路的分割掩膜和两种交叉口类型区域的定位。

a. 初赛：提供训练集和测试集；

b. 复赛：新增部分训练集和新的测试集，复赛阶段要求只允许使用MindSpore框架，武汉计算中心提供NPU算力，显卡型号为昇腾910，具体细则将于初赛结束后给出；

c. 决赛：利用武汉计算中心提供的NPU算力完成训练和测试，同时考量速度和精度，只允许使用MindSpore框架，具体细则将于复赛结束后给出；

（3）数据简介

数据为0.1-1米分辨率光学遥感影像，由武汉大学测绘遥感信息工程国家重点实验室和航天宏图信息技术股份有限公司采集、标注、构建。

（4）数据说明

train

|——images

|——instances_train.json

|——masks

test

|——images

|——instances_test.json

images文件夹中影像格式为tif，包含R、G、B三个波段，为大幅面遥感影像。train目录下包含两种标注，一种为instances_train.json，遵循coco2017目标检测格式，包含uncross和cross两种类别，一种为masks文件夹，其中标签格式为单通道的png，每个像素的标签值由一个数值表示，使用‘uint8’数据类型存储，该数值表示是否为道路，“255”代表道路，“0”代表背景; test目录下的instances_test.json 不包含标注信息，仅包含图像的imgId，选手需根据此文件中图片的id推理

（5）提交要求

初赛

提交.zip格式压缩包，可解压缩出results文件夹，results文件夹中包含test.bbox.json和masks文件夹，masks文件中为测试集images同名的.png文件，png的数据格式和提供的训练集的标注文件保持一致，test.bbox.json格式参考coco2017目标检测的输出格式。

复赛

和初赛一致。

（6）提交示例

results.zip

——results

————masks

——————1.png

——————2.png

……

————test.bbox.json

（7）评测标准

Score=IoU*0.5+mAP50*0.5