Jan, 2024

MapAI：建筑物分割的精确性

PDF
TL;DRMapAI 是一个在 2022 年秋季与挪威人工智能研究联盟（NORA）、Agder 大学人工智能研究中心（CAIR）、挪威测绘局、AI:Hub、Norkart 和丹麦数据供应和基础设施局合作举办的比赛，专注于利用航空影像和激光数据对建筑物进行分割。它将于北极光深度学习会议上结束。我们提供两个不同的任务来分割建筑物，第一个任务只能利用航空影像，而第二个任务必须使用激光数据（LiDAR）与或无航空影像。此外，我们使用 IoU 和 Boundary IoU 来正确评估模型的精度，后者是一种评估结果边界的 IoU 度量。我们为参与者提供训练数据集，并保留测试数据集进行评估。
mapaiprecisionbuilding segmentationaerial imageslaser data
发现论文，激发创造
  • 建筑物提取精度：使用 LiDAR 数据比较浅层模型和深层模型

    本篇论文研究了建筑分割问题，利用浅层模型评估 LiDAR 数据在监督分割中的应用，并通过采用边界掩模提升边界一致性得分，结合航空图像和 LiDAR 数据进行模型的训练与比较，结果表明浅层模型在航空图像任务和航空图像与 LiDAR 数据任务下的 Intersection over Union 得分分别优于深度学习模型 8% 和 2%，与此同时深度学习模型在 Boundary Intersection over Union 得分方面表现更好，采用 Light Gradient-Boosting Machine (LightGBM) 的效果优于 RF 和 Extreme Gradient Boosting (XGBoost)。

    Sep, 2023

  • 分割任意建筑物

    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

  • LandCover.ai: 利用航空图像自动绘制建筑物、林地、水域以及道路地物的数据集

    介绍了 LandCover.ai 数据集，该数据集用于语义分割，包括建筑，森林，水和道路等对象的手动标注。将卫星或航空图像与计算机视觉和深度学习相结合可以精确评估土地利用和土地覆盖的变化，它对自然资源管理，农业，林业或公共管理非常重要。

    May, 2020

  • RescueNet：卫星图像中建筑物分割和损伤评估的联合方法

    RescueNet 是一个集成模型，采用了局部相关的二进制交叉熵损失函数来同时分割建筑和评估破坏水平，该模型可以进行端到端的训练，并获得比现有方法更好的性能，它可以在各种地理区域和灾难类型下实现通用。

    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

  • 从在线地图学习航空图像分割

    本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析，文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果

    Jul, 2017

  • 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

  • 利用航空 LiDAR 图像分割揭示古代玛雅定居点

    利用深度学习的最新进展，本文展示了如何利用 YOLOv8 神经网络来准确地分割航空 LiDAR 图像中的考古结构，通过对原始 LiDAR 数据的新型预处理和数据增强方法来训练 YOLOv8 网络，提高了平台和环状结构的分割的准确度、精度和召回率，优于现有方法，该方法自动化了耗时的 LiDAR 图像标注，显著加速了对历史景观的准确分析。

    Mar, 2024

  • 极地多年冻土特征的高分辨率制图和分割的实时地理人工智能

    本文介绍了一种实时的几何人工智能（GeoAI）工作流程，用于对高精度（0.5 米）商业成像进行大规模图像分析和北极多年冻土特征的细分。使用基于轻量级深度学习的实例分割模型 SparseInst，通过引入和使用实例激活映射来准确定位图像场景中的对象位置，以实现实时预测。实验结果表明，该模型可以以比流行的 Mask-RCNN 模型更快的推理速度达到更好的预测准确性。

    Jun, 2023

  • 基于领域适应预训练和复合双主干的细粒度建筑屋顶实例分割

    我们提出了一个有效的框架来实现对高分辨率光学卫星图像中个别建筑物的语义解释，通过采用领域自适应预训练策略和复合双支干，以及新的数据增强流程、随机权重平均训练和基于实例分割的模型集成，实现了额外的性能提升。值得注意的是，我们还探讨了光学卫星图像和 SAR 数据的多模态数据融合的潜力。

    Aug, 2023