Jul, 2024

通过定向的角点增强多边形建筑物分割

HTML
PDF
TL;DR本文介绍了一种名为OriCornerNet的新型深度卷积神经网络，可直接从输入图像中提取建筑多边形，并通过使用图卷积网络进行迭代细化来生成简化的多边形，包括几何信息的使用有助于产生更规则和准确的结果。在SpaceNet Vegas和CrowdAI-small数据集的性能评估中，我们的方法证明了在建筑物分割方面与现有技术的竞争优势。
发现论文，激发创造
  • 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

  • 深度结构主动轮廓端到端的学习

    该研究提出了一种利用建筑物的几何特性来提高自动化建筑物分割模型准确性的方法，结合了主动轮廓模型和卷积神经网络，形成了一种可以端到端训练的结构化输出模型，达到了比现有技术更好的分割效果。

    Mar, 2018

  • 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

  • 世界建筑的向量化: 基于基元检测和关系推理的平面图重构

    这篇论文通过使用CNN和IP算法，从单一RGB图像中推断出室外建筑物的2D平面图结构，取得了显著的结果，并提出了可供分享的代码和数据。

    Dec, 2019

  • 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

  • 建筑物分割掩膜的机器学习正则化和多边形化

    本文提出了一种基于机器学习方法的建筑物分割掩码自动正则化和多边形化方法，通过泛化的完全卷积网络（FCN）进行建筑物分割映射的预测，采用生成对抗网络（GAN）对建筑物边界进行正则化以产生更加真实、更直接的轮廓，并利用骨干卷积神经网络（CNN） 在多次实验中展示了该方法不仅可以获得精确结果，而且可视化多边形化的建筑轮廓图像也很好。

    Jul, 2020

  • 卫星图像中的机器学习三维建筑矢量化

    本文提出了一种基于机器学习的方法，通过数字表面模型和全色影像的输入，使用条件生成对抗网络筛选出非建筑物，然后借助于语义分割网络检测出建筑物屋顶的边缘和角点，并提出一组矢量化算法来构建屋顶多边形，最终从改进后的表面模型中添加高度信息，以获得完全矢量化的精细建筑模型。在大型卫星图像上对我们的方法进行了验证，并取得了最先进的性能。

    Apr, 2021

  • 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

  • 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

  • P2PFormer：一种从遥感影像中提取规则建筑轮廓的点-多边形方法

    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。

    Jun, 2024