Aug, 2023

HGDNet: 单视角建筑物提取和高度估计的高度层级引导的双解码器网络

PDF
TL;DR本研究提出一种基于 Height-hierarchy Guided Dual-decoder Network (HGDNet) 的方法，通过集合卫星图像建筑提取和高度估计任务，实现大规模城市 3D 重建，并在 DFC 2023 数据集上展示了在建筑高度估计、实例提取和最终平均得分方面的优越性。
satellite imagebuilding extractionheight estimation3d reconstructionhgdnet
发现论文，激发创造
  • HTC-DC Net：单一遥感图像的单目高度估计

    通过提出 HTC-DC Net 方法，从光学影像数据中进行单目高度估计，该方法在三个不同分辨率的数据集上获得了比现有方法更好的结果，解决了长尾问题和网络偏差问题。

    Sep, 2023

  • LIGHT: 卫星图像联合多任务学习网络实现建筑物提取和高度估计

    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

  • 建筑物提取与高度估计的多任务学习的数据融合

    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

  • 条件性扩散概率模型下的单视图高度估计

    该研究利用条件去噪扩散概率模型（DDPM）通过训练产生高分辨率的三维表面来进行单幅遥感图像的高度估计。实验结果表明该方法在 Vaihingen 基准数据集上有很好的效果。

    Apr, 2023

  • IM2HEIGHT: 使用全残差卷积 - 解卷积网络从单目图像估计高度

    本文提出了一种使用卷积 - 解卷积神经网络进行单目遥感图像高度估计的方法，并使用柏林高分辨率航空图像数据集进行了验证，结果表明该方法有效。

    Feb, 2018

  • HeightFormer：用于航空图像单目高度估计的多层交互和图像自适应分类 - 回归网络

    这篇论文介绍了一种综合解决方案，用于遥感中的单眼高度估计，被称为 HeightFormer，结合了多级相互作用和图像自适应分类 - 回归。

    Oct, 2023

  • 自主驾驶应用中的分层自监督单目绝对深度估计

    本文提出 DNet 方法，利用密集连接预测层（DCP）和密集几何约束（DGC）部分解决自我监督方法中单目深度估计的两个问题：精确的对象级深度推断和不确定的比例因子。实验证明，DCP 层可以更好地识别深度图像中的对象边界并改善对象级深度的连续性，而使用 DGC 执行比例恢复的性能与使用真实地面真值信息相当。

    Apr, 2020

  • 基于深度和光谱数据的信息融合应采取何种先后顺序？基于混合 - cGAN 的大规模数字地表模型细化

    使用混合生成对抗网络的 DSM 细化方法，将光谱和高度信息融合到一个网络中，以半米分辨率的单色卫星图像为输入。实验结果表明，数据的早期信息融合有助于传播细节并完善有关建筑形态的不准确或缺失的三维信息，同时改善建筑边界，使其更加矩形。

    Apr, 2019

  • 离散余弦变换网络用于引导深度图超分辨率

    提出一种新颖的离散余弦变换网络（DCTNet）来解决多模态图像处理中导向深度超分辨率（GDSR）的挑战，包括理解工作机制、提取跨模态特征和减弱 RGB 纹理过度传递，通过离散余弦变换模块、半耦合特征提取模块和边缘注意机制来分别解决这些问题。实验结果表明，DCTNet 的性能比之前最先进的方法更好，在参数数量相对较小的情况下能够更好地处理导向深度超分辨率。

    Apr, 2021

  • 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