使用图卷积网络提取建筑物轮廓
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
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
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
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
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
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
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。
Apr, 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
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
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