基于不确定性感知网络从遥感影像中提取建筑物
计算机视觉与模式识别
2025-02-11 v1
摘要
建筑物提取旨在从遥感影像中分割出建筑物像素，并在城市规划与城市动态监测等众多应用中发挥着重要作用。过去几年中，具有编码器-解码器架构的深度学习方法凭借其强大的特征表示能力取得了卓越性能。然而，由于建筑物尺度和风格各异，传统深度学习模型常受不确定预测之苦，无法从复杂地物分布中准确区分建筑物的完整足迹，导致大量漏提与误提。本文认识到不确定预测的重要性，提出了一种新颖且简洁的不确定性感知网络（UANet）以缓解该问题。为验证所提UANet的性能，我们在三个公共建筑物数据集上进行了大量实验，包括WHU建筑物数据集、Massachusetts建筑物数据集和Inria航拍影像数据集。结果表明，所提UANet大幅优于其他state-of-the-art算法。
引用
@article{arxiv.2307.12309,
title = {Building Extraction from Remote Sensing Images via an Uncertainty-Aware Network},
author = {Wei He and Jiepan Li and Weinan Cao and Liangpei Zhang and Hongyan Zhang},
journal= {arXiv preprint arXiv:2307.12309},
year = {2025}
}