从卫星图像中提取拓扑地图
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
提出了一种基于语义感知超像素和神经图网络的半自动建筑物足迹提取方法,该方法利用全局超像素图和图神经网络模型进行建筑物分割,消除了修改多边形定点的必要性,并通过实验验证取得了较高精度和效率。
Apr, 2023
深度学习方法在遥感影像中自动建筑物映射方面得到广泛研究。本文提出了一种简单且新颖的基于 Hierarchical Transformers 的建筑物映射方法 HiT,通过增加一个多边形头并行于分类和边界框回归头的两阶段检测结构实现了从高分辨率遥感影像中提取多边形建筑物的质量改进。经过包括分割、多边形化和正则化在内的一系列问题的分解,传统的建筑物映射方法常常导致复杂的推断过程、低准确率和差泛化能力。HiT 同时输出建筑物边界框和矢量多边形,并进行端到端的训练。多边形头采用编码 - 解码的 Transformer 架构来预测带有双向特点的序列化顶点,采用设计的双向多边形损失进行监督。此外,多边形头的编码器引入了分层注意机制和卷积操作,提供了顶点和边界级别的更多几何结构。在 CrowdAI 和 Inria 两个基准数据集上的综合实验表明,与现有技术方法相比,我们的方法在实例分割和多边形度量方面达到了最新的良好结果。此外,定性结果验证了我们的模型在复杂场景下的优越性和有效性。
Sep, 2023
从遥感图像中提取建筑轮廓是一个重要的挑战,本文介绍了一种新的流线型流程以无需后处理生成规则的建筑轮廓,使用分割通用几何图元并预测它们的顺序,在此基础上,开发了一个利用 Transformer 架构的 P2PFormer,通过引入群体查询的独特表示方法,结合创新的内隐更新策略,提高了图元分割的质量,实验证明 P2PFormer 在多个数据集上表现优于先前的方法。
Jun, 2024
该研究提出了利用众包 GPS 数据来改进和支持通过航拍图像提取道路的方法,并通过新颖的数据增强、GPS 呈现和一维转置卷积技术,比以前的竞争获胜模型提高了近 5%,并且在预测新的区域时具有更好的稳健性,无需任何新的训练数据或领域适应。
May, 2019
通过使用超分辨率和多任务学习的方法,本文提出了一种解决在密集区域中准确提取建筑物轮廓的框架,并通过实验证明该方法在模拟密集区域的区域中显著优于现有的方法。
Sep, 2023
本文提出了一种新的多路径并行卷积神经网络(MAP-Net)用于从遥感影像中精确提取多尺度建筑物轮廓和精确边界,通过注意力模块和金字塔空间池化模块来学习保持空间本地化的多尺度特征和优化建筑物轮廓,实验表明 MAP-Net 在边界定位精度和大建筑物连续性方面优于现有算法。
Oct, 2019
本文介绍了使用高清地图上的 2D 杆状特征对图像进行自动标注,并利用附加的激光雷达传感器对遮挡特征进行过滤,并演示了如何训练物体探测器来检测杆状特征。在自动生成的数据和手动标注的数据的比较中,我们验证了该方法的有效性。
Mar, 2024