基于深度神经网络并边界正则化的卫星影像建筑物足迹提取
计算机视觉与模式识别
2020-06-24 v1
摘要
近年来，越来越多遥感卫星环绕地球，传输海量视觉数据以支撑广泛的民用、公共与军事应用。从卫星影像中获取的关键信息之一，是利用其广覆盖、高分辨率数据生成并更新建成环境的空间地图。然而，从卫星影像重建空间地图并非易事的视觉任务，因为它需要以图元等高级表征来重建场景或物体。过去十年中，基于视觉数据的目标检测与表征取得显著进展，但基于图元的物体表征仍是具挑战性的视觉任务。因此，高质量空间地图主要经由复杂的劳动密集型流程生成。本文提出一种新颖深度神经网络，可从单幅卫星影像联合检测建筑物实例并正则化含噪建筑物边界形状。所提深度学习方法由一个生成感兴趣区域（RoI）特征的两阶段目标检测网络，以及一个利用图模型学习多边形形状几何信息的建筑物边界提取网络组成。大量实验表明，我们的模型可同时完成目标定位、识别、语义标注与几何形状提取多任务。在建筑物提取精度、计算效率与边界正则化性能方面，我们的模型均优于当前最优基线模型。
引用
@article{arxiv.2006.13176,
title = {Boundary Regularized Building Footprint Extraction From Satellite Images Using Deep Neural Network},
author = {Kang Zhao and Muhammad Kamran and Gunho Sohn},
journal= {arXiv preprint arXiv:2006.13176},
year = {2020}
}