基于RGB卫星影像的城市尺度建筑足迹提取语义分割网络
计算机视觉与模式识别
2021-11-22 v2
摘要
城市地区消耗了全球逾三分之二的能源，并贡献了超过70%的二氧化碳排放。正如IPCC《全球升温1.5℃》报告所述，要在2050年前实现碳中和，需清晰理解城市几何形态。从卫星影像生成高质量建筑足迹可加速这一预测过程，并赋能大规模市政决策。然而，以往基于深度学习的方法面临尺度不变性与足迹缺陷等重大议题，部分源于始终存在的类间不平衡。此外，多数方法需要点云数据、建筑高度信息与多波段影像等补充数据——这些数据的可用性有限且制作繁琐。本文提出一种以空洞Res-Net为骨干的改进DeeplabV3+模块，仅从三通道RGB卫星影像生成建筑足迹掩码。进一步，我们在目标函数中引入F-Beta度量，以帮助模型应对偏斜的类别分布并防止假阳性足迹。除F-Beta外，我们融入指数加权边界损失，并采用跨数据集训练策略以进一步提升预测质量。结果表明，我们在三个公开基准上取得了最先进的性能，并证明这一仅用RGB的方法能产出更高质量的视觉结果，且对卫星影像的尺度、分辨率与城市密度具有不变性。
引用
@article{arxiv.2104.01263,
title = {A Semantic Segmentation Network for Urban-Scale Building Footprint Extraction Using RGB Satellite Imagery},
author = {Aatif Jiwani and Shubhrakanti Ganguly and Chao Ding and Nan Zhou and David M. Chan},
journal= {arXiv preprint arXiv:2104.01263},
year = {2021}
}
备注
11 pages, 5 figures. Code available at https://github.com/aatifjiwani/rgb-footprint-extract/