Apr, 2023

BCE-Net：基于对比学习的可靠历史地图和最新图像建筑物足迹变化提取

PDF
TL;DR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。
building extractioncontrastive learningdeformable convolutional neural networkchange detectionremotely sensed images
发现论文，激发创造
  • 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

  • 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

  • 使用图卷积网络提取建筑物轮廓

    本文提出一种利用图卷积网络解决卫星图像中建筑物轮廓提取精确性问题的端到端框架，相对于现有方法有更好的表现。

    May, 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

  • 通过一种不确定性感知网络进行遥感图像的建筑物提取

    建筑提取是从遥感图像中分割建筑像素的目标，它在城市规划和城市动态监测等多个应用中起着重要作用。本文通过利用深度学习方法中的一种新型不确定性感知网络（UANet），提出了一个解决传统深度学习模型中不确定预测问题的有效解决方案，并通过实验证明了其比其他先进算法具有更好的性能。

    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

  • 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

  • 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

  • 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

  • 高分辨率卫星遥感影像下的大陆尺度建筑物检测

    本文使用 50cm 卫星图像，通过建筑检测模型训练管道，对非洲进行了建筑物检测，包括模型体系结构、损失函数、正则化、预训练、自训练和后处理等方法，取得了较好的性能。

    Jul, 2021