深度残差 U-Net 实现的道路提取
提出了一种名为 ResUNetFormer 的深度语义分割神经网络,利用残差学习、HetConvs、UNet 和视觉变压器的能力,用于精准道路提取。在公开的马萨诸塞州道路数据集上,统计和视觉结果表明了 ResUNetFormer 比卷积神经网络和视觉变压器更优。
Jun, 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
本研究提出了一种创新的深度学习自动道路检测方法,通过融合低分辨率卫星图像和 GPS 轨迹数据的策略,对早期和后期融合进行深入研究,并使用不同的融合设置评估基于深度学习的道路检测性能。研究结果显示,ResUnet 模型在道路提取任务中优于 U-Net 和 D-Linknet,以及使用低分辨率 Sentinel-2 数据的基准研究,从而为自动道路检测领域作出贡献,并为各种应用中的数据融合方法提供了新的见解。
Dec, 2023
本研究提出了一个堆叠多任务网络,在保持连通性正确性的同时,端到端地分割道路。在网络中,引入了全局感知模块来增强像素级道路特征表示并消除空中图像的干扰背景;增加了与道路方向相关的连通性任务,以确保网络保持道路片段的图级关系。我们还开发了一种堆叠多头结构,以共同学习和有效利用连通性学习和分割学习之间的相互信息。我们在三个公共遥感数据集上评估了所提出网络的性能。实验结果表明,该网络在道路分割准确性和连通性维护方面优于现有方法。
Dec, 2023
本文介绍了一种基于 U-Net 的循环卷积神经网络(RCNN)基础上的模型 RU-Net 和基于 U-Net 的循环残差卷积神经网络(RRCNN)基础上的模型 R2U-Net。这些模型在医学图像分割任务中表现出优异的性能,比 U-Net 和 ResU-Net 等等同网络参数的模型表现更好。
Feb, 2018
使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案,本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法,并且利用大规模预训练使模型具有更好的泛化能力。
Sep, 2023
本文介绍了基于多任务学习网络和残差网络,提出了一种能够同时学习两个互补任务的方法,即分割车辆区域和检测语义边界。为了评估未来的车辆实例分割算法,作者构建了一个新的车辆实例分割数据集并分享了链接。
May, 2018
通过采用基于卷积神经网络(CNN)的决策函数来引导迭代搜索过程,RoadTracer 可以从高分辨率航空图像中自动构建道路网络图,并在误差率为 5%时,相较于分割方法,可以准确地捕捉到多达 45%更多的交叉点。
Feb, 2018
本文提出了一种新颖的多任务图神经网络(GNN),能够同时检测道路区域和道路边界;这两个任务之间的相互作用从两个角度提供了卓越的性能:(1)层次化检测的道路边界使网络能够捕获并编码整体道路结构以增强道路连通性(2)识别语义土地覆盖区域的内在相关性缓解了识别外观相似区域中充满道路的困难。实验结果表明,与现有方法相比,所提出的架构可以提高道路边界勾画和道路提取的准确性。
Jul, 2024