特征增强深度网络用于高分辨率无人机与卫星影像中的多尺度建筑分割
计算机视觉与模式识别
2025-05-09 v1 人工智能
摘要
从高分辨率RGB影像中精确分割建筑仍然具有挑战性，原因在于建筑与非建筑特征的光谱相似性、阴影以及不规则的建筑几何形态。在本研究中，我们提出了一种全面的深度学习框架，用于利用空间分辨率从0.4米到2.7米的RGB航拍和卫星影像进行多尺度建筑分割。我们整理了一个多样化的多传感器数据集，并通过从RGB通道推导主成分分析（PCA）、可见差异植被指数（VDVI）、形态建筑指数（MBI）和Sobel边缘滤波器等二次表示，引入了特征增强输入。这些特征指导Res-U-Net架构更有效地学习复杂的空间模式。我们还提出了结合层冻结、循环学习率和SuperConvergence的训练策略，以减少训练时间和资源消耗。在WorldView-3留出影像上的评估结果表明，我们的模型取得了96.5%的总体准确率、0.86的F1分数和0.80的交并比（IoU），优于现有的RGB基准方法。本研究展示了将多分辨率影像、特征增强和优化训练策略相结合，用于遥感应用中鲁棒建筑分割的有效性。
引用
@article{arxiv.2505.05321,
title = {Feature-Augmented Deep Networks for Multiscale Building Segmentation in High-Resolution UAV and Satellite Imagery},
author = {Chintan B. Maniyar and Minakshi Kumar and Gengchen Mai},
journal= {arXiv preprint arXiv:2505.05321},
year = {2025}
}
备注
in preparation for journal submission, 25 pages, 11 figures