使用卷积神经网络进行实时建筑物提取,提出了一种允许从倾斜航空影像中进行多视图深度估计的算法,结合 Faster R-CNN,可以从高空俯瞰图像中选择性地重建建筑物。
Apr, 2018
通过采用分支卷积神经网络、全卷积神经网络、条件随机场作为循环神经网络以及 SegNet 四种卷积神经网络体系结构,对美国整个大陆分类提取建筑物轮廓线,将符号距离标签与 SegNet 结合,改进了建筑物轮廓线的提取结果并提出了融合近红外信息的建筑物整体提取框架,同时比较了精度、召回率、并集交集以及提取建筑物的数量等指标。
May, 2018
使用地球观测和深度学习方法,该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割,以实现相对较高的像素度量分数,进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果,并以黎巴嫩为案例,成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。
Apr, 2024
本文提出一种利用图卷积网络解决卫星图像中建筑物轮廓提取精确性问题的端到端框架,相对于现有方法有更好的表现。
May, 2023
本文提出了一种基于全卷积神经网络的自动道路提取方法,利用高分辨率的卫星图像进行交通管理和道路监控,此方法能够自动且精确地提取真正的道路信息,并在 DEEPGLOBE-CVPR 2018 道路提取子挑战中表现出卓越的效果。
Jun, 2018
利用机器学习技术自动检测卫星图像中的建筑物损伤,提高灾后救援响应效率。
Oct, 2019
本文提出了一种基于卷积神经网络分类个别建筑物功能的方法,该方法利用了遥感图像和街景图像,使用开源地图系统来获取地理信息,并利用创建的基准数据集在加拿大和美国的多个城市进行训练和评估。
Feb, 2018
建筑提取是从遥感图像中分割建筑像素的目标,它在城市规划和城市动态监测等多个应用中起着重要作用。本文通过利用深度学习方法中的一种新型不确定性感知网络(UANet),提出了一个解决传统深度学习模型中不确定预测问题的有效解决方案,并通过实验证明了其比其他先进算法具有更好的性能。
Jul, 2023
本文提出了一种新型卷积神经网络架构,用于估计地理空间函数,并使用各种标签创建了一个大型数据集进行评估。
Aug, 2017
利用航拍图像进行城市规划和管理,需要对建筑物进行检测和信息提取,并聚类分类,以便回答重要问题,如地震疏散路线规划、洪涝管理等。
Feb, 2023