利用 Sentinel-1 SAR 与 Sentinel-2 MSI 时间序列估计建筑高度图的 CNN 回归模型
计算机视觉与模式识别
2023-07-06 v1 人工智能
图像与视频处理
摘要
精确估计建筑高度对于城市规划、基础设施管理和环境分析至关重要。在本研究中，我们提出一种有监督的多模态建筑高度回归网络（MBHR-Net），利用 Sentinel-1（S1）和 Sentinel-2（S2）卫星时间序列在 10 米空间分辨率下估计建筑高度。S1 提供合成孔径雷达（SAR）数据，带来关于建筑结构的宝贵信息，而 S2 提供对不同的土地覆盖类型、植被物候和建筑阴影敏感的多光谱数据。我们的 MBHR-Net 旨在从 S1 和 S2 影像中提取有意义特征，以学习图像模式与建筑高度之间复杂的时空关系。该模型在荷兰 10 个城市中训练和测试。采用均方根误差（RMSE）、交并比（IOU）和 R 平方（R2）分数指标评估模型性能。初步结果（RMSE 3.73m、IoU 0.95、R2 0.61）证明了我们的深度学习模型在精确估计建筑高度上的有效性，展示了其在城市规划、环境影响分析及其他相关应用中的潜力。
引用
@article{arxiv.2307.01378,
title = {A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series},
author = {Ritu Yadav and Andrea Nascetti and Yifang Ban},
journal= {arXiv preprint arXiv:2307.01378},
year = {2023}
}