基于门控图卷积神经网络与深度结构化特征嵌入的建筑分割
计算机视觉与模式识别
2019-11-11 v1
摘要
由于建筑形状的复杂性等原因，从光学影像中自动提取建筑仍具挑战。语义分割是该项任务的一种高效方法。深度卷积神经网络（DCNNs）的最新进展已使准确的像素级分类任务成为可能。然而一个核心问题依然存在：边界的精确勾绘。由于其逐步下采样，深度架构通常无法产生具有准确边界的细粒度分割。因此，我们引入一个通用框架以克服该问题，将图卷积网络（GCN）与深度结构化特征嵌入（DSFE）整合进端到端流程。此外，不同于使用经典图卷积神经网络，我们提出一种门控图卷积网络，其能精炼微弱且粗糙的语义预测以生成锐利边界与细粒度像素级分类。以建筑足迹的语义分割为实例，我们比较了不同特征嵌入架构与图神经网络。我们提出的带新 GCN 架构的框架优于当前最优方法。尽管本工作主要任务为建筑足迹提取，所提方法可普遍应用于其他二值或多标签分割任务。
引用
@article{arxiv.1911.03165,
title = {Building Segmentation through a Gated Graph Convolutional Neural Network with Deep Structured Feature Embedding},
author = {Yilei Shi and Qingyu Li and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:1911.03165},
year = {2019}
}