基于自助采样CNN的RGB-D航空影像建筑物分割
计算机视觉与模式识别
2018-10-09 v1
摘要
从航空影像中检测建筑物及其他地物在城市规划和地图制作中有多种应用。从航空影像中自动检测建筑物是一项具有挑战性的任务，因为它易受光照变化、阴影和遮挡的影响。卷积神经网络（CNNs）对其中部分变化具有鲁棒性，尽管它们难以区分简单与困难样本。我们利用CNN架构DenseNet从RGB-D图像训练检测算法以获得分割掩码。首先，我们通过应用一种称为自助采样（Bootstrapping）的统计重采样技术提升了模型性能，并证明保留了信息量更大的样本。其次，所提方法仅使用原始训练数据的六分之一便优于非自助采样版本，并在我们的航空影像数据集上取得了95.10%的查准率-查全率平衡点。
引用
@article{arxiv.1810.03570,
title = {Bootstrapped CNNs for Building Segmentation on RGB-D Aerial Imagery},
author = {Clint Sebastian and Bas Boom and Thijs van Lankveld and Egor Bondarev and Peter H. N. De With},
journal= {arXiv preprint arXiv:1810.03570},
year = {2018}
}
备注
Published at ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences