Mar, 2019

ESFNet：用于从高分辨率航空影像中提取建筑物的高效网络

PDF
TL;DR本篇论文提出了一种基于 ESFNet 的高效神经网络模型，它采用了可分离的因式残差块和扩张卷积，旨在在保持轻微准确性损失的同时降低计算成本和内存消耗，取得了更好的准确性和效率平衡。
building footprint extractionremote sensingesfnetefficiencyaccuracy
发现论文，激发创造
  • 高分辨率卫星影像自动建筑提取的各种基于 EfficientNet 的 U-Net++ 架构性能分析

    本研究基于 U-Net 设计了一种基于 efficientNet 骨干网络的 U-Net++ 模型，通过深度监督和密集的重新设计的跳跃连接，以及对背景中不相关特征区域影响的减弱，提高了模型的敏感性，实验结果表明该模型在提取高分辨率卫星图像中的建筑方面优于其他先进方法，其中基于 efficientb4 的 Unet++ 取得了最佳结果，平均准确率为 92.23％，平均 IoU 为 88.32％，平均精确度为 93.2％。

    Sep, 2023

  • 通过渐进宽松监督加快高分辨率遥感影像中的建筑物轮廓分割

    通过提出基于密集连接的粗细特征融合解码器网络以及宽容的深度监督和蒸馏策略，提高了当前建筑物分割网络的学习效率和有效性，超越先前的工作并在各种新开发的编码器网络上展现出卓越的性能和效率。

    Jul, 2023

  • 使用卷积神经网络进行大规模建筑物提取：美国地图绘制

    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

  • TFNet：邻域像素聚合的调谐叉子网络用于改进建筑物轮廓提取

    本文提出了一种针对卫星图像的建筑物轮廓提取问题的解决方案，即通过使用深度学习中的新型网络架构 TFNet 以及在训练过程中引入邻域信息的方法，有效地提高了建筑物轮廓提取的准确性和性能。

    Nov, 2023

  • 高分辨率遥感影像建筑物提取的特征聚合网络

    通过提出 Feature Aggregation Network (FANet) 方法，本研究突破了高分辨率卫星遥感图像处理中细粒度表面特征提取的关键技术挑战。

    Sep, 2023

  • 利用卷积网络自动提取航拍场景中的建筑物

    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

  • EPNet：一种高效金字塔网络，用于减少计算需求的增强单图像超分辨率

    该研究介绍了一种高效金字塔网络（EPNet），通过融合边缘分割金字塔模块（ESPM）和全景特征提取模块（PFEM），克服了现有方法在计算效率方面的限制，从而实现了单幅图像超分辨率的高效实用化。

    Dec, 2023

  • MAP-Net: 多注意力路径神经网络用于遥感影像建筑物轮廓提取

    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

  • 利用超分辨率和帧场学习在密集区域中进行建筑物轮廓提取

    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

  • 快速高效的网络，用于图像超分辨率

    提出透過堆疊高度優化的卷積和激活層以及降低特徵融合的方式，設計了一款適用於資源受限設備的快速且記憶體效率高的網路（FMEN 及其小版本 FMEN-S），並應用於圖像超分辨率研究，包含透過逐像素進行局部和全局內容的考量，強化高頻細節的序列注意力分支等技術，有效達成比當前最先進的 EISR 模型：E-RFDN 更快的運行速度以及減少 74％的記憶體消耗的成果。

    Apr, 2022