面向倾斜航空影像选择性深度估计的深度跨域建筑物提取
计算机视觉与模式识别
2019-09-24 v3 机器学习
摘要
随着航空影像技术与城市环境精确三维重建的发展，对城市区域的自动化分析受到越来越多关注。在我们的工作中，我们考察了两个重要方面，以实现基于倾斜航空影像对城市模型中的建筑结构进行实时分析，即利用卷积神经网络（CNNs）的自动建筑物提取，以及基于航空影像的选择性实时深度估计。我们采用迁移学习来训练 Faster R-CNN 方法以进行实时深度目标检测，将用于城市场景理解的大规模地面数据集与少量航空数据集图像相结合。在选定的评估数据集上，我们在建筑物提取任务中取得了约 80% 的平均精度（AP）。我们的评估聚焦于特定数据集学习与迁移学习两方面。此外，我们提出了一种能够从航空影像中实时进行多视深度估计的算法。我们采用半全局匹配（SGM）优化策略以在物体边界处保持锐利边缘。结合 Faster R-CNN，该方法可从倾斜航空影像中对由感兴趣区域（RoIs）标识的建筑物进行选择性重建。
引用
@article{arxiv.1804.08302,
title = {Deep cross-domain building extraction for selective depth estimation from oblique aerial imagery},
author = {Boitumelo Ruf and Laurenz Thiel and Martin Weinmann},
journal= {arXiv preprint arXiv:1804.08302},
year = {2019}
}
备注
Accepted in the ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Science