基于图块级别卷积神经网络的建筑物状况可视化估计
本研究提出了一种使用卷积网络和距离函数的方法,利用 GIS 中的建筑足迹数据训练,可实现从空中和卫星图像中自动提取建筑物的任务自动化,并在大规模和复杂的数据集上显著优于先前的方法。
Feb, 2016
本研究使用深度卷积神经网络对一大量室内外照片进行分析,以评价房屋的外观对市场价值的影响,并基于照片和房屋特征开发出自动估价方法,结果表明本方法优于 Zillow 对房屋价格的估计。
Jul, 2017
探索使用多视角图像和 AI 实现可靠的灾后建筑损伤分类方法,提出基于多视角卷积神经网络结构的损伤预测模型可以提高灾后建筑损伤等级的准确度和可靠性。
Aug, 2022
本研究开发了对比学习方法,将历史建筑物的印记与单个最新的遥感图像进行验证,以注入建筑物的语义信息并增加其特征可辨度,避免因季节性变化和建筑立面倾斜等因素产生的伪变化,并利用可变形卷积神经网络减少历史建筑多边形与最新图像中建筑不一致的影响,识别新建和拆除的建筑物。在 Wuhan University 建筑变化检测数据集和自建的 SI-BU 数据集上,本方法分别获得了 93.99%和 70.74%的 F1 分数,并且在与该领域最先进的算法文章相同的数据集测试中,本方法表现出更好的性能。
Apr, 2023
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
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
该研究介绍了一种创新的方法,将图像数据集成到传统计量模型中,通过深度学习将图像中包含的信息作为协变量,用于预测房地产销售价格,通过图像编码和分割的方式提高了预测准确性。
Mar, 2024
本文介绍了如何用卷积神经网络 (CNN) 从图像数据中直接学习通用的相似性函数,以比较图像补丁。我们的实验表明,这种方法在多个计算机视觉问题和基准数据集上都取得了极大的成效。
Apr, 2015
本文介绍了一种新的自适应布局感知多补丁卷积神经网络 (A-Lamp CNN) 结构,用于照片美学评估,该网络结构能够同时学习细节和完整的图像布局。通过在大规模美学评估基准 (AVA) 上进行广泛实验,证明了在照片美学评估方面比现有技术有显着的性能提高。
Apr, 2017