Jul, 2023

通过一种不确定性感知网络进行遥感图像的建筑物提取

PDF
TL;DR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。
building extractionremote sensing imagesdeep learninguncertain predictionsuanet
发现论文，激发创造
  • 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

  • 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

  • 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

    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。

    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

  • 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

    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

  • 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

  • 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

  • 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

  • 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

  • 医学图像分割网络的层次化不确定性估计

    建立可信赖的图像分割模型既需要评估其性能又需要估计模型预测的不确定性。本研究提出了一种利用多层不确定性模块估计图像分割的简单有效方法，并证明了采用此方法实现的深度学习分割网络能够同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。

    Aug, 2023