Apr, 2023

LIGHT: 卫星图像联合多任务学习网络实现建筑物提取和高度估计

PDF
TL;DR通过多任务学习神经网络 (LIGHT) 将个体的建筑提取和高度估计结合起来，在输出建筑物的高度地图、边界框和分割掩码图的同时，通过门控交叉任务交互 (GCTI) 模块提高了特征交互的效率。实验结果表明，背景为 ResNet101 的 LIGHt 在 DFC2023 数据集上表现出优越的性能，并使多任务学习的性能显著提高了 2.8％ AP50 和 6.5％ delta1。
building extractionheight estimationmultitask learning networkinstance segmentationgated cross task interaction
发现论文，激发创造
  • 建筑物提取与高度估计的多任务学习的数据融合

    根据 DFC23 赛事提出的城市重建问题，本文尝试使用光学和雷达卫星图像的多任务学习方法来进行建筑物提取和高度估计，实验结果显示在约束条件下进行的建筑物提取和高度估计任务的基准结果显著提高。

    Aug, 2023

  • HeightFormer：用于航空图像单目高度估计的多层交互和图像自适应分类 - 回归网络

    这篇论文介绍了一种综合解决方案，用于遥感中的单眼高度估计，被称为 HeightFormer，结合了多级相互作用和图像自适应分类 - 回归。

    Oct, 2023

  • HGDNet: 单视角建筑物提取和高度估计的高度层级引导的双解码器网络

    本研究提出一种基于 Height-hierarchy Guided Dual-decoder Network (HGDNet) 的方法，通过集合卫星图像建筑提取和高度估计任务，实现大规模城市 3D 重建，并在 DFC 2023 数据集上展示了在建筑高度估计、实例提取和最终平均得分方面的优越性。

    Aug, 2023

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • 高度和语义的航空影像多任务学习

    本文研究了利用神经网络框架综合分析航空或卫星图像，并展示了其在多任务学习和模型预测不确定性方面的优势。

    Nov, 2019

  • 航空升降：城市语义及建筑实例升降的神经网络从航拍图像中

    通过将 nosiy 的 2D 标签提升至 3D，我们提出了一种用于城市规模语义和建筑级别实例分割的神经辐射场方法。我们首先引入了一种适应尺度的语义标签融合策略，通过合并来自不同高度预测的标签来增强不同大小的对象的分割，然后基于 3D 场景表示引入了一种新颖的交叉视图实例标签分组策略，以减轻 2D 实例标签中的多视图不一致性问题。此外，我们利用多视图重构深度先验来改善重建辐射场的几何质量，从而实现了增强的分割结果。在多个真实世界的城市规模数据集上的实验表明我们的方法优于现有方法，突显了其有效性。

    Mar, 2024

  • 基于地势信息的自主学习：利用有限注释增强 LiDAR 数据中的建筑物提取

    使用地面高程模型和自我监督学习的方法，在建筑物分割地图中利用少量标签数据取得了较好的效果，对于在遥感领域中提取特征具有高效性和有效性。

    Nov, 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

  • RSBuilding: 通向通用遥感图像建筑目标提取和变化检测的基础模型

    提出了一种综合的遥感图像建筑理解模型，具有跨场景泛化和任务普适性，可以同时处理建筑提取和变化检测等两个结构不同的任务，并展现出鲁棒的零样本推广能力。

    Mar, 2024

  • RescueNet：卫星图像中建筑物分割和损伤评估的联合方法

    RescueNet 是一个集成模型，采用了局部相关的二进制交叉熵损失函数来同时分割建筑和评估破坏水平，该模型可以进行端到端的训练，并获得比现有方法更好的性能，它可以在各种地理区域和灾难类型下实现通用。

    Apr, 2020