基于注意力重加权的卫星影像建筑结构计数
计算机视觉与模式识别
2019-04-02 v1
摘要
在本文中，我们试图解决卫星影像中建筑结构计数的挑战性问题。相比于建成区分割，建筑密度是对人口密度、城市区域扩张及其对环境影响更准确的估计。然而，建筑形状差异、边界重叠以及密度变化使该任务复杂。为应对这一困难问题，我们提出一种基于深度学习的回归技术用于卫星影像中建筑结构计数。我们提出的框架利用基于注意力的重加权技术智能地组合卫星图像不同区域的特征。设计多个并行卷积网络以在不同粒度捕获信息。这些特征被组合进 FusionNet，其被训练为对不同粒度的特征赋予不同权重，使我们能预测精确的建筑计数。为训练和评估所提方法，我们提出一个新的大规模且具挑战性的建筑结构计数数据集。我们的数据集通过收集来自全球不同地理区域（平原、城市中心、沙漠等）的卫星影像（亚洲、欧洲、北美和非洲）构建，并捕获了广泛的建筑结构密度。详细的实验结果与分析验证了所提技术。FusionNet 在测试数据上平均绝对误差为 3.65，R 平方度量为 88%。最后，我们在 274.3 × 10^3 m² 的未见过区域上测试，该区域 656 栋建筑中误差为 19 栋。
引用
@article{arxiv.1904.00674,
title = {Deep Built-Structure Counting in Satellite Imagery Using Attention Based Re-Weighting},
author = {Anza Shakeel and Waqas Sultani and Mohsen Ali},
journal= {arXiv preprint arXiv:1904.00674},
year = {2019}
}