Jun, 2024

P2PFormer：一种从遥感影像中提取规则建筑轮廓的点 - 多边形方法

PDF
TL;DR从遥感图像中提取建筑轮廓是一个重要的挑战，本文介绍了一种新的流线型流程以无需后处理生成规则的建筑轮廓，使用分割通用几何图元并预测它们的顺序，在此基础上，开发了一个利用 Transformer 架构的 P2PFormer，通过引入群体查询的独特表示方法，结合创新的内隐更新策略，提高了图元分割的质量，实验证明 P2PFormer 在多个数据集上表现优于先前的方法。
building contourssegmentationgeometric primitivesregularityp2pformer
发现论文，激发创造
  • 从卫星图像中提取拓扑地图

    PolyMapper 是一种新的方法，用于从空中图像中直接提取城市的拓扑地图，并提出了一种新的序列化方法以实现不同类型对象的统一形状表示，其能够在现有大规模数据集上以全自动方式绘制建筑物和道路的多边形，表现得很好。

    Dec, 2018

  • PolyFormer: 将图像分割视为序列多边形生成

    该论文提出一种基于序列多边形生成框架 Polygon Transformer (PolyFormer) 的图像分割方法，通过生成多边形顶点序列实现对图像分割的参照。该方法在 RefCOCO+ 等实际数据集上表现优异，性能提升明显。

    Feb, 2023

  • HiT: 基于分层 Transformers 的建筑物映射

    深度学习方法在遥感影像中自动建筑物映射方面得到广泛研究。本文提出了一种简单且新颖的基于 Hierarchical Transformers 的建筑物映射方法 HiT，通过增加一个多边形头并行于分类和边界框回归头的两阶段检测结构实现了从高分辨率遥感影像中提取多边形建筑物的质量改进。经过包括分割、多边形化和正则化在内的一系列问题的分解，传统的建筑物映射方法常常导致复杂的推断过程、低准确率和差泛化能力。HiT 同时输出建筑物边界框和矢量多边形，并进行端到端的训练。多边形头采用编码 - 解码的 Transformer 架构来预测带有双向特点的序列化顶点，采用设计的双向多边形损失进行监督。此外，多边形头的编码器引入了分层注意机制和卷积操作，提供了顶点和边界级别的更多几何结构。在 CrowdAI 和 Inria 两个基准数据集上的综合实验表明，与现有技术方法相比，我们的方法在实例分割和多边形度量方面达到了最新的良好结果。此外，定性结果验证了我们的模型在复杂场景下的优越性和有效性。

    Sep, 2023

  • TreeFormer：一个基于半监督 Transformer 框架的单幅高分辨率图像树木计数方法

    本文提出了一种半监督的基于 Transformer 框架的 TreeFormer 方法，通过采用金字塔表示模块、上下文关注的特征融合和树密度回归模块来建立多尺度特征表示，进而通过图像解码器实现对树的数量统计和密度估计，降低了树的标注成本，通过在训练过程中使用未标注的图像和局部树密度的连贯性损失和局部树计数排名损失，使用 Tree counter 令牌规范网络可以计算标注和未标注图像的全局树计数，在 Jiangsu、Yosemite 和 KCL-London 数据集上进行实验，结果表明该方法超越了当前半监督方法的最新水平，并且使用相同数量的标注图像超越了全监督方法。

    Jul, 2023

  • PSGformer：通过精确的语义引导增强 3D 点云实例分割

    本文提出 PSGformer，一种新颖的 3D 实例分割网络，通过多级语义聚合模块和平行特征融合 Transformer 模块，完整地利用全局和局部语义信息，有效提高了分割水平，实现在 ScanNetv2 数据集上取得了当前最佳结果。

    Jul, 2023

  • PPTFormer: 无人机分割的伪多角度变换器

    通过引入 PPTFormer 网络，我们提出了一种新的伪多视角转换网络，通过创建伪视角来增强多视角学习，并通过 Pseudo Multi-Perspective Attention（PMP Attention）和融合，实现了卓越的无人机图像分割结果。该方法在五个无人机分割数据集上达到了最先进的性能，验证了其能够有效模拟无人机飞行视角并显著提高分割精度，从而在无人机场景理解方面取得了具有开创性的突破，并为语义分割的未来发展树立了新的基准。

    Jun, 2024

  • GridFormer：点网格变换器用于表面重建

    通过在正规网格特征和离散点特征之间引入高效的点 - 网格变换机制，以及采用边界优化策略，本文提出的方法有效地提升了三维表面重建的精度和准确性。

    Jan, 2024

  • Point2Building：从航空 LiDAR 点云重建建筑物

    基于学习的方法，从空中激光雷达点云中重构建筑物为 3D 多边形网格，通过引入生成模型来适应各种建筑形状和结构，通过直接从点云数据中学习，减少误差传播并提高重构的准确性，在苏黎世、柏林和塔林的空中激光雷达数据上进行实验证明了方法的良好泛化能力。

    Mar, 2024

  • PBFormer：使用多项式带变换器捕捉复杂场景文字形状

    我们提出了 PBFormer，一种高效而强大的场景文本检测器，将变压器和一种新颖的文本形状表示多项式带（PB）结合起来。

    Aug, 2023

  • PanoFormer： 室内全景变换器用于 360 度深度估计

    本文提出了一种名为 PanoFormer 的全景深度估计方法，通过使用来自球形域的切向补丁、可学习的 token 流以及全景特定指标来提高全景结构的感知能力，并通过重新设计自注意力模块来增强其拟合全景几何结构的能力，经实验证明其取得了比现有的 SOTA 方法更好的表现，并且可以有效地扩展以解决语义全景分割问题。

    Mar, 2022