利用卷积神经网络的大规模建筑物提取：美国全域制图
计算机视觉与模式识别
2018-05-24 v1
摘要
建立最新的大规模建筑物地图对于理解城市动态（如人口估计、城市规划及许多其他应用）至关重要。尽管许多计算机视觉任务已借助深度卷积神经网络成功完成，但人们越来越需要理解它们在基于遥感影像的建筑物制图上的大规模影响。利用 CNN 的可扩展性并仅使用少量具有丰富建筑物足迹的区域，我们首次对四种最先进的 CNN 进行了比较分析，以提取整个美国本土的建筑物足迹。这四种 CNN 架构分别为：分支卷积神经网络（branch-out CNN）、全卷积神经网络（FCN）、作为循环神经网络的条件随机场（CRFasRNN）和 SegNet，它们支持语义像素级标注并侧重于在多尺度上捕获纹理信息。我们使用来自国家农业影像计划（NAIP）的 1 米分辨率航空影像作为测试平台，并比较了四种方法的提取结果。此外，我们提议将带符号距离标签与 SegNet（我们广泛评估确定的首选 CNN 架构）相结合，以将建筑物提取结果推进到实例级别。我们进一步展示了将额外的近红外信息融合到建筑物提取框架中的效用。我们开展了大规模实验评估并报告了包括精确率、召回率、交并比和提取建筑物数量在内的指标。借助改进的 CNN 模型且无需进一步后处理，我们已生成了美国的建筑物地图。所提取建筑物的质量和处理时间表明，所提出的基于 CNN 的框架满足了大规模建筑物提取的需求。
引用
@article{arxiv.1805.08946,
title = {Building Extraction at Scale using Convolutional Neural Network: Mapping of the United States},
author = {Hsiuhan Lexie Yang and Jiangye Yuan and Dalton Lunga and Melanie Laverdiere and Amy Rose and Budhendra Bhaduri},
journal= {arXiv preprint arXiv:1805.08946},
year = {2018}
}
备注
Accepted by IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing