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

PDF
TL;DR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。
building footprintsdense areassuper resolutionmultitask learningadaptive loss weighting
发现论文，激发创造
  • 使用图卷积网络提取建筑物轮廓

    本文提出一种利用图卷积网络解决卫星图像中建筑物轮廓提取精确性问题的端到端框架，相对于现有方法有更好的表现。

    May, 2023

  • 通过框架场学习进行多边形建筑物分割

    本研究利用深度学习模型添加边框输出，改善遥感图像中建筑物的图像分割和矢量多边形提取。

    Apr, 2020

  • 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

  • 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

  • SuperpixelGraph: 基于语义感知的超像素和神经图网络的半自动建筑物轮廓生成

    提出了一种基于语义感知超像素和神经图网络的半自动建筑物足迹提取方法，该方法利用全局超像素图和图神经网络模型进行建筑物分割，消除了修改多边形定点的必要性，并通过实验验证取得了较高精度和效率。

    Apr, 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

  • 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

  • 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

  • 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