Jul, 2023

自动建筑轮廓提取的混合特征嵌入

PDF
TL;DR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%。
building outlinehigh-resolution aerial imagescnn and transformeractive contour modelexperiment results
发现论文，激发创造
  • 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

    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。

    Jul, 2020

  • 基于端到端 Transformer 的图像描述模型

    本文提出了一种基于 Transformer 的图像描述模型，使用 SwinTransformer 提取网格级特征，一阶段完成训练并实现 end-to-end 生成描述，得到了 MSCOCO 数据集上 state-of-the-art 的表现。

    Mar, 2022

  • TEC-Net: 视觉 Transformer 集成卷积神经网络用于医学图像分割

    本研究采用混合卷积神经网络和 Transformer 的混合结构，提出了一种具有自适应特征提取能力和具有全局信息建模的方法，用于医学图像分割。实验结果表明，该方法比现有的方法具有更好的医学图像分割结果。

    Jun, 2023

  • 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

  • CiT-Net: 卷积神经网络和视觉 Transformer 手牵手进行医学图像分割

    本文提出了一种新的医学图像分割混合架构，手持卷积神经网络和 Transformer，用于动态变形卷积和自适应互补注意模块改进卷积神经网络和 Transformer 的性能，以实现更好的医学图像分割结果。

    Jun, 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

  • Transformer-CNN 融合架构用于增强皮肤病变分割

    通过融合 transformers 和 CNNs，我们提出了一种混合架构用于医学图像分割，旨在克服 CNNs 在捕捉全局依赖性和局部空间细节方面的局限性。我们通过比较各种架构和配置，并进行多次实验来评估它们的有效性。

    Jan, 2024

  • HiT: 基于分层 Transformers 的建筑物映射

    深度学习方法在遥感影像中自动建筑物映射方面得到广泛研究。本文提出了一种简单且新颖的基于 Hierarchical Transformers 的建筑物映射方法 HiT，通过增加一个多边形头并行于分类和边界框回归头的两阶段检测结构实现了从高分辨率遥感影像中提取多边形建筑物的质量改进。经过包括分割、多边形化和正则化在内的一系列问题的分解，传统的建筑物映射方法常常导致复杂的推断过程、低准确率和差泛化能力。HiT 同时输出建筑物边界框和矢量多边形，并进行端到端的训练。多边形头采用编码 - 解码的 Transformer 架构来预测带有双向特点的序列化顶点，采用设计的双向多边形损失进行监督。此外，多边形头的编码器引入了分层注意机制和卷积操作，提供了顶点和边界级别的更多几何结构。在 CrowdAI 和 Inria 两个基准数据集上的综合实验表明，与现有技术方法相比，我们的方法在实例分割和多边形度量方面达到了最新的良好结果。此外，定性结果验证了我们的模型在复杂场景下的优越性和有效性。

    Sep, 2023

  • DUFormer：航拍图像中电力线路分割的一种新型架构

    该论文提出了一种用于航空图像中的电力线检测的语义分割算法 DUFormer，该算法采用具有强归纳偏差的卷积神经网络，以及一个重量级令牌编码器，负责重叠特征再挖掘和标记化，结果显示该算法在公开可用的 TTPLA 数据集上的电力线分割任务中达到了最先进水平的表现。

    Apr, 2023

  • 使用注意力门控 CRFs 学习深度结构多尺度特征以进行轮廓预测

    本文提出了一种新颖的方法来预测轮廓，通过引入分层深度模型以及使用新型的 AG-CRFs 对不同尺度的特征表示进行精细融合，实现了更加精确的轮廓检测，实验结果表明其在 BSDS500 和 NYUDv2 数据集上都表现出了较好的性能。

    Jan, 2018