构建道路合作从遥感图像中提取
本研究提出了一个堆叠多任务网络,在保持连通性正确性的同时,端到端地分割道路。在网络中,引入了全局感知模块来增强像素级道路特征表示并消除空中图像的干扰背景;增加了与道路方向相关的连通性任务,以确保网络保持道路片段的图级关系。我们还开发了一种堆叠多头结构,以共同学习和有效利用连通性学习和分割学习之间的相互信息。我们在三个公共遥感数据集上评估了所提出网络的性能。实验结果表明,该网络在道路分割准确性和连通性维护方面优于现有方法。
Dec, 2023
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
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。
Apr, 2023
通过使用高分辨率卫星影像,我们提出了一种完全自动化的流程来从图像中提取道路网络,结果表明与 OpenStreetMap 数据相比,该方法能够提供最新的道路设计和精确的道路位置。
Jun, 2024
该研究提出了利用众包 GPS 数据来改进和支持通过航拍图像提取道路的方法,并通过新颖的数据增强、GPS 呈现和一维转置卷积技术,比以前的竞争获胜模型提高了近 5%,并且在预测新的区域时具有更好的稳健性,无需任何新的训练数据或领域适应。
May, 2019
本文提出了一种基于 CRESIv2 方法的城市级别道路提取和路线计算方法,该方法包含语义特征识别以及道路速度限制和行车时间的计算,旨在优化路线计算而非简单的最短路径距离。实验证明,该方法在使用 SpaceNet 数据集的训练和测试数据时优于使用 OpenStreetMap 标签的方法 60% 以上,并通过度量平均路径长度相似度(APLS)和地图拓扑(TOPO)等指标对算法的性能进行了评估。
Aug, 2019
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
利用不同数据集和先进的表示学习模型在遥感图像中对建筑物进行识别和分割的研究表明,通过融合各种数据集,我们扩大了学习资源的范围,在多个数据集上取得了可观的性能。我们的创新联合训练过程在城市规划、灾害管理和环境监测等关键领域展示了我们方法的价值,结合数据集融合技术和预训练模型的方法为建筑物分割任务树立了新的先例。此研究的结果为未来的探索奠定了基础,并显示了在建筑物分割领域中创新应用的潜在前景。
Oct, 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