ECCVJul, 2020

端到端可训练的深度主动轮廓模型用于自动图像分割：在航空图像中描绘建筑物

PDF
TL;DR该研究旨在提出一种自动化图像分割框架，该框架结合卷积神经网络和活动轮廓模型，以实现遥感图像中所有建筑的快速、准确、自动分割。
automated segmentationremote sensing imageryconvolutional neural networksactive contour modelsbuilding segmentation
发现论文，激发创造
  • 深度结构主动轮廓端到端的学习

    该研究提出了一种利用建筑物的几何特性来提高自动化建筑物分割模型准确性的方法，结合了主动轮廓模型和卷积神经网络，形成了一种可以端到端训练的结构化输出模型，达到了比现有技术更好的分割效果。

    Mar, 2018

  • 自动建筑轮廓提取的混合特征嵌入

    本文提出了一个基于 CNN 和 Transformer 以及主动轮廓模型的模型，用于从原始图像中准确识别轮廓并构建建筑物的大纲，同时设计了一个三分支解码器结构来处理由编码器生成的不同特征。实验结果表明，我们的模型在两个数据集上优于其他基准模型，在 Vaihingen 上达到了 91.1% 的 mIoU，在 Bing 屋上达到了 83.8%。

    Jul, 2023

  • 深度跨领域建筑物提取，用于倾斜航空图像的选择性深度估计

    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

  • DARNet: 深度主动射线网络用于建筑物分割

    本文提出了一种名为 DARNet 的深度学习网络来实现自动化建筑物分割，通过使用卷积神经网络对能量映射进行预测，并通过对能量函数进行最小化，采用基于极坐标的轮廓演变来获得最终的建筑物分割，同时使用一种新的损失函数直接鼓励边界匹配，实验证明该网络在三个建筑实例分割数据集上取得了媲美或领先竞争对手的表现

    May, 2019

  • 利用主动轮廓模型从未经过注册的光学图像和航空 LiDAR 数据中无监督地自动提取建筑物

    本文提出一种无监督和全自动的 snake 模型，利用光学图像和未注册的航空 LiDAR 数据集提取建筑物，无需手动初始点或训练数据，并可从复杂环境中提取各种颜色的建筑物，具有高的整体精度。

    Jul, 2019

  • 深度主动轮廓

    该论文提出了一种结合深度、基于 patch 的表示和主动轮廓框架进行交互式边界提取的方法。作者使用了类别特定的卷积神经网络来训练向量预测器，以便指向感兴趣物体边界最接近的点，并使用 Sobolev 主动轮廓框架来演化轮廓。该方法在计算资源的使用方面非常高效，适合小型图形卡的使用，并在多个医学数据集和 PASCAL VOC 2012 数据集上进行了评估。

    Jul, 2016

  • 深度主动损伤分割

    本文提出了一种基于 Convolutional Neural Networks 和 Active Contour Models 的 Deep Active Lesion Segmentation (DALS) 框架用于器官病变分割，该框架在新的 Multiorgan Lesion Segmentation (MLS) 数据集上取得了比竞争方法更好的性能。

    Aug, 2019

  • 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

  • 基于 RGB-D 航空图像的自举卷积神经网络建筑物分割

    本文介绍了一种用于提高机器视觉中自动化建筑识别性能的方法，该方法结合了卷积神经网络和 Bootstrapping 技术，只利用原训练数据的六分之一，并在一个航空图像数据集上获得了高达 95.10％的精度 - 召回率平衡。

    Oct, 2018

  • 自动化国家城市地图提取

    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