ESFNet：用于从高分辨率航拍影像中提取建筑物的高效网络
计算机视觉与模式识别
2019-04-22 v2
摘要
从高分辨率航拍影像中提取建筑足迹一直是城市动态监测、规划与管理的必要环节，也是遥感研究中的一项挑战性任务。近年来，深度神经网络在提高遥感影像建筑物提取精度方面取得了巨大成就。然而，现有多数方法通常需要大量参数和浮点运算以获得高精度，导致高内存消耗和低推理速度，不利于研究。本文提出一种名为 ESFNet 的新型高效网络，其采用可分因式分解残差块并利用空洞卷积，旨在以低计算成本和内存消耗保持轻微的精度损失。我们的 ESFNet 在精度与效率间取得了更好的权衡，在单块 Tesla V100 上可运行于超过 100 FPS，所需 FLOPs 比最先进的实时架构 ERFNet 少 6 倍，参数少 18 倍，且在无需任何额外上下文模块、后处理和预训练方案的情况下保持相似精度。我们在 WHU 建筑物数据集上评估了我们的网络，并与其他最先进架构进行比较。结果和综合分析表明，我们的网络有益于高效的遥感研究，且该思路可进一步扩展到其他领域。代码公开于：https://github.com/mrluin/ESFNet-Pytorch
引用
@article{arxiv.1903.12337,
title = {ESFNet: Efficient Network for Building Extraction from High-Resolution Aerial Images},
author = {Jingbo Lin and Weipeng Jing and Houbing Song and Guangsheng Chen},
journal= {arXiv preprint arXiv:1903.12337},
year = {2019}
}
备注
10 pages, 3 figures, 4 tables. Accepted for IEEE Access