Jul, 2023

通过渐进宽松监督加快高分辨率遥感影像中的建筑物轮廓分割

PDF
TL;DR通过提出基于密集连接的粗细特征融合解码器网络以及宽容的深度监督和蒸馏策略，提高了当前建筑物分割网络的学习效率和有效性，超越先前的工作并在各种新开发的编码器网络上展现出卓越的性能和效率。
building footprint segmentationencoder-decoder architecturedecoder network designsdeep supervision strategylearning efficiency
发现论文，激发创造
  • 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

  • ESFNet：用于从高分辨率航空影像中提取建筑物的高效网络

    本篇论文提出了一种基于 ESFNet 的高效神经网络模型，它采用了可分离的因式残差块和扩张卷积，旨在在保持轻微准确性损失的同时降低计算成本和内存消耗，取得了更好的准确性和效率平衡。

    Mar, 2019

  • 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

  • TFNet：邻域像素聚合的调谐叉子网络用于改进建筑物轮廓提取

    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

  • 使用 EffUNet 和迁移学习方法进行建筑物和道路分割

    通过使用谷歌的新模型，本文旨在对卫星和无人机航拍图像进行城市目标（建筑和道路）的语义分割，以提供城市规划决策所需的准确信息。

    Jul, 2023

  • 高分辨率卫星影像自动建筑提取的各种基于 EfficientNet 的 U-Net++ 架构性能分析

    本研究基于 U-Net 设计了一种基于 efficientNet 骨干网络的 U-Net++ 模型，通过深度监督和密集的重新设计的跳跃连接，以及对背景中不相关特征区域影响的减弱，提高了模型的敏感性，实验结果表明该模型在提取高分辨率卫星图像中的建筑方面优于其他先进方法，其中基于 efficientb4 的 Unet++ 取得了最佳结果，平均准确率为 92.23％，平均 IoU 为 88.32％，平均精确度为 93.2％。

    Sep, 2023

  • 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

  • 学习多尺度特征进行前景分割

    本文提出了一种新的鲁棒性编码器解码器结构的神经网络，使用少量的训练示例进行端到端的训练，通过特征融合在 Feature Pooling Module 中提取多尺度特征，实现对相机运动的鲁棒特征池化，免去多尺度输入的需求，通过 CDnet2014、SBI2015 和 UCSD Background Subtraction 数据集的实验表明，所提出的方法的整体 F-Measure 平均值优于现有所有最先进的方法。

    Aug, 2018

  • 基于单目遥感影像的多级监督的三维建筑重建

    提出了一种适用于大规模交叉城市场景的多级监督建筑重建网络 (MLS-BRN)，旨在通过灵活利用带有不同注释级别的训练样本，在端到端的方式下实现更好的重建结果。实验证明，相较于现有的最先进方法，所提出的 MLS-BRN 在使用更少的三维注释样本的情况下能够达到有竞争力的性能，并显著提高了足迹提取和三维重建的性能。

    Apr, 2024