基于 EffUNet 与迁移学习方法的建筑与道路分割
计算机视觉与模式识别
2023-10-03 v2 机器学习
图像与视频处理
摘要
在城市中，关于城市对象（如供水、铁路线、电力线、建筑、道路等）的信息对城市规划是必要的。特别是，决策者需要这些对象的分布、位置和容量信息以做出有影响的决策。本论文旨在从卫星和无人机捕获的航拍图像中分割建筑和道路。已有许多不同架构被提出用于语义分割任务，UNet 是其中之一。在本论文中，我们提出了一种基于 Google 新提出的 EfficientNetV2 作为编码器进行特征提取、并结合 UNet 解码器构建分割图的新架构。使用该方法，我们在 Massachusetts Building and Road 数据集上取得了基准分数，mIOU 分别为 0.8365 和 0.9153。
引用
@article{arxiv.2307.03980,
title = {Building and Road Segmentation Using EffUNet and Transfer Learning Approach},
author = {Sahil Gangurde},
journal= {arXiv preprint arXiv:2307.03980},
year = {2023}
}
备注
The transformer network analysis was not included in the current paper