Aug, 2023

利用掩码 R-CNN 的超高分辨率图像自动地籍边界检测

PDF
TL;DR通过使用深度学习、几何后处理方法和基于实例分割的 Mask R-CNN 模型来改进自动宗地绘制检测质量，其中关键方法是引入基于口袋的简化算法，实验结果表明该方法优于 Douglas-Puecker 算法。
发现论文，激发创造
  • 边界保留的 Mask R-CNN

    提出了一种新的 Boundary-preserving Mask R-CNN（BMask R-CNN）的实例分割方法，运用了物体边界信息和特征融合块来改进口罩定位精度，在 COCO 数据集和 Cityscapes 数据集上的实验结果表明 BMask R-CNN 在口罩像素预测和物体边界对齐方面优于 Mask R-CNN。

    Jul, 2020

  • 卷积循环网络用于道路边界提取

    本文介绍了一种全自动的深度学习方法，用于从 LiDAR 和相机图像中提取驾驶道路边界的拓扑结构，通过结构的全卷积网络和卷积循环网络，本方法可获得高精度和召回率的驾驶道路拓扑结构。

    Dec, 2020

  • 边缘深度学习：利用卷积神经网络从卫星图像中提取地块边界

    本文提出了一种利用卫星图像进行农田边界提取的深度学习方法，将该问题转化为多任务语义分割问题，综合考虑像素属于农田、是否是边界以及距离最近边界的距离等三个标签，从而实现准确、可扩展的农田边界提取，该方法在解决现实农业大规模数据采集问题中具有潜在的应用前景。

    Oct, 2019

  • 掩码 R-CNN

    我们提出了一个简单、灵活、通用的物体实例分割框架。此方法名为 Mask R-CNN，通过在现有的边界框识别分支上添加一个预测对象掩模的分支，同时高效地检测图像中的物体并生成每个实例的高质量分割掩模。该方法简单易用，可快速训练，并且在 COCO 挑战赛的三个跟踪任务中均取得最佳结果，在实例分割、边界框目标检测和人体关键点检测方面均表现优异，是一个强大的基线模型。

    Mar, 2017

  • 物体检测和实例分割的分解学习

    本论文提出了一种新的端到端可训练深度神经网络结构，在不需要预处理或者后处理的情况下，仅仅依靠一个网络评估就可以生成正确数量的对象实例和其边界框，对多数字图像中数字的检测、分割和 KITTI 基准数据集中的车辆检测任务显示了优越的性能。

    Nov, 2015

  • 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

  • 使用卷积神经网络和随机视图聚集提高计算机辅助检测

    本研究设计了一个分层级联的计算机辅助检测系统用于医学影像，包括候选区域的生成和基于卷积神经网络的分类方法，成功提高了三种癌症（骨转移、淋巴结和结直肠息肉）的 CAD 检测性能，并综合展示了该方法在各种医学影像 CAD 检测中的应用前景。

    May, 2015

  • 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

  • 更近距离观察以进行更好的分割：用于实例分割的边界补丁细化

    提出一种基于后处理细化的框架，名为 BPR，以改善任何实例分割模型的结果，该框架通过沿预测边界提取和细化一系列小的边界补丁来提高边界质量，在 Cityscapes 基准测试中比 Mask R-CNN 基线得到显著提升，特别是在边界感知度量方面；此外，通过将 BPR 框架应用于 PolyTransform + SegFix 基线，我们在 Cityscapes 排行榜上达到第一名。

    Apr, 2021

  • 基于 Mask R-CNN 的土壤图像分割

    通过深度学习方法，利用 Mask R-CNN 模型完成土壤图像的定位和分割，从而实现对不同环境下采集的土壤图像的准确分割结果，满足自然环境下田间土壤图像实时分割和检测的需求。

    Sep, 2023