Multi$^{\mathbf{3}}$Net：通过融合多分辨率、多传感器与多时相卫星影像分割淹没建筑
计算机视觉与模式识别
2018-12-06 v1 人工智能
机器学习
摘要
我们提出了一种新方法，通过在卷积神经网络中融合多分辨率、多传感器与多时相卫星影像，实现淹没建筑的快速分割。我们的模型显著加快了基于卫星影像的洪水地图生成速度，这对洪水事件早期阶段的第一响应者与地方当局至关重要。通过引入多时相卫星影像，我们的模型支持快速且准确的灾后损害评估，并可供政府用于更好地协调受影响地区的短期与长期财政援助项目。该网络由多个编码器-解码器架构流组成，从中分辨率图像提取时空信息，从高分辨率图像提取空间信息，随后将所得表征融合为一张中分辨率的淹没建筑分割图。我们将我们的模型与最先进的建筑足迹分割方法以及用于淹没建筑分割的其他融合方法进行比较，发现我们的模型在两项任务上均表现最佳。我们还证明，仅使用公开可用的中分辨率数据，我们的模型就能生成高度准确的淹没建筑分割图，而无需显著更详细但稀疏可用的甚高分辨率数据。我们发布了首个完全预处理并标注的灾害地点多分辨率、多光谱与多时相卫星影像开源数据集及我们的源代码。
引用
@article{arxiv.1812.01756,
title = {Multi$^{\mathbf{3}}$Net: Segmenting Flooded Buildings via Fusion of Multiresolution, Multisensor, and Multitemporal Satellite Imagery},
author = {Tim G. J. Rudner and Marc Rußwurm and Jakub Fil and Ramona Pelich and Benjamin Bischke and Veronika Kopackova and Piotr Bilinski},
journal= {arXiv preprint arXiv:1812.01756},
year = {2018}
}
备注
To appear in Proceedings of the Thirty-Third AAAI Conference on Artificial Intelligence (AAAI-19)