用于自动图像分割的端到端可训练深度活动轮廓模型：在航拍影像中勾绘建筑物
计算机视觉与模式识别
2020-07-24 v1
摘要
遥感影像中建筑物的自动分割是一项具有挑战性的任务，需要在通常较大的图像区域内精确勾绘多个建筑物实例。人工方法往往费力，而当前基于深度学习的方法无法以足够的精度勾绘出所有建筑物实例。作为解决方案，我们提出了可训练深度活动轮廓（TDACs），这是一种将卷积神经网络（CNNs）与活动轮廓模型（ACMs）紧密结合的自动图像分割框架。ACM 组件的欧拉能量泛函包含由骨干 CNN 预测的逐像素参数图，该 CNN 同时也对 ACM 进行初始化。重要的是，ACM 和 CNN 组件均在 TensorFlow 中完整实现，整个 TDAC 架构是端到端自动可微且无需用户干预即可反向传播训练的。TDAC 可对图像中任意数量的建筑物进行快速、准确且完全自动的同步勾绘。我们在两个公开可用的航拍图像建筑物分割数据集上验证了该模型，结果表明 TDAC 确立了新的最先进性能。
引用
@article{arxiv.2007.11691,
title = {End-to-End Trainable Deep Active Contour Models for Automated Image Segmentation: Delineating Buildings in Aerial Imagery},
author = {Ali Hatamizadeh and Debleena Sengupta and Demetri Terzopoulos},
journal= {arXiv preprint arXiv:2007.11691},
year = {2020}
}
备注
Accepted to European Conference on Computer Vision (ECCV) 2020