利用卷积神经网络校正 OpenStreetMap 中的农村建筑标注
计算机视觉与模式识别
2019-01-25 v1
摘要
农村建筑制图对于支持人口统计研究以及规划针对影响这些地区的危机的应对行动至关重要。OpenStreetMap (OSM) 中存在农村建筑标注，但其质量和数量不足以训练能够生成精确农村建筑图的模型。这些标注的问题本质上分为三类：(i) 最常见的是，许多标注与更新后的影像在几何上未对齐；(ii) 一些标注与图像中的建筑不对应（它们是错误标注或建筑已被摧毁）；(iii) 图像中一些建筑缺失标注（这些建筑从未被标注或在两次影像获取之间建成）。首先，我们提出一种基于马尔可夫随机场 (MRF) 的方法，将建筑与其标注对齐。该方法最大化标注与建筑概率图之间的相关性，同时强制附近建筑具有相似的对齐向量。其次，移除在建筑概率图中无证据的标注。第三，我们提出一种检测具有预定义形状且未标注建筑并添加其标注的方法。所提出的方法在坦桑尼亚和津巴布韦两个地区显著提高了 OSM 标注的精度，比最先进的基线方法更准确。
引用
@article{arxiv.1901.08190,
title = {Correcting rural building annotations in OpenStreetMap using convolutional neural networks},
author = {John E. Vargas-Muñoz and Sylvain Lobry and Alexandre X. Falcão and Devis Tuia},
journal= {arXiv preprint arXiv:1901.08190},
year = {2019}
}