面向遥感建筑多边形映射的全局共线感知多边形化器
计算机视觉与模式识别
2025-05-05 v1 机器学习
摘要
本文针对从遥感图像中提取多边形建筑的挑战，提出了一种新型算法——全局共线感知多边形化器（GCP）。GCP基于实例分割框架构建，处理由任何实例分割模型产生的二值掩码。算法首先收集沿二值掩码轮廓沿的折线段。这些折线段经过基于Transformer的回归模块进行细化，以确保其准确匹配目标建筑实例的轮廓。随后，采用共线感知多边形简化模块对这些细化后的折线进行简化并生成最终的多边形表示。该模块采用动态规划技术对目标函数进行优化，该目标函数在多边形的简单性和保真度之间进行权衡，实现全局最优解。此外，优化后的共线感知目标无缝集成到网络训练中，提高了整个管道的凝聚性。GCP的有效性在两个公开的多边形建筑映射基准数据集上得到了验证。进一步的实验表明，将共线感知多边形简化模块应用于任意折线（无需事先知识）可提高准确率，优于Douglas-Peucker等传统方法。这一发现凸显了GCP的广泛适用性。该方法的代码将在https://github.com/zhu-xlab上公开。
引用
@article{arxiv.2505.01385,
title = {Global Collinearity-aware Polygonizer for Polygonal Building Mapping in Remote Sensing},
author = {Fahong Zhang and Yilei Shi and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2505.01385},
year = {2025}
}