自动化国家城市地图提取

Apr, 2024

Automated National Urban Map Extraction

Hasan Nasrallah, Abed Ellatif Samhat, Cristiano Nattero, Ali J. Ghandour

TL;DR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。

Abstract

developing countries usually lack the proper governance means to generate and regularly update a national rooftop map. Using traditional photogrammetry and surveying methods to produce a building map at the feder

developing countries national rooftop map earth observation deep learning methods building footprint map

发现论文，激发创造

利用卷积网络和卫星图像在大范围内识别城市环境模式

利用遥感技术和深度卷积神经网络，分析大规模卫星图像数据中的城市土地利用模式，并提供数据集以供遥感应用的机器学习研究人员使用。

Apr, 2017

高分辨率卫星遥感影像下的大陆尺度建筑物检测

本文使用 50cm 卫星图像，通过建筑检测模型训练管道，对非洲进行了建筑物检测，包括模型体系结构、损失函数、正则化、预训练、自训练和后处理等方法，取得了较好的性能。

Jul, 2021

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

利用街景图像构建实例分类

本文提出了一种基于卷积神经网络分类个别建筑物功能的方法，该方法利用了遥感图像和街景图像，使用开源地图系统来获取地理信息，并利用创建的基准数据集在加拿大和美国的多个城市进行训练和评估。

Feb, 2018

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

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

基于大规模不完整和不精确标签数据的地图生成

基于高分辨率航拍图像的算法流水线和分布式计算系统可全球自动创建精确的人类基础设施地图。

May, 2020

利用卷积神经网络在全球范围内进行城市区域的高分辨率土地覆盖制图

从高分辨率图像和有限的带噪声标记数据中生成城市区域的七类土地覆盖图的方法，使用 UNet、Resnet 编码器的 UNet 和 Deeplab v3 + 编码器，结合不同的损失函数进行比较研究，并将模型预测拼接在一起生成高价值的土地覆盖图。

May, 2020

全球卫星图像建筑物检测

利用遥感技术的建筑物检测创建人口密度地图，包括数据采集、半监督方法等解决策略。

Jul, 2017