利用深度神经网络进行建筑足迹分割的多任务学习
计算机视觉与模式识别
2017-09-19 v1
摘要
高分辨率卫星影像可用性的增加使得能够感知地球表面非常精细的结构。获取此类信息为遥感影像分析开辟了新方向。然而，同时也对现有的基于像素的预测方法（如语义分割方法）提出了一系列新挑战。尽管深度神经网络过去在高分辨率图像语义分割中取得了显著进展，但大多数现有方法倾向于产生边界欠佳的预测。在本文中，我们通过引入一种新的级联多任务损失，解决高分辨率卫星影像中保持语义分割边界的问题。我们在包含大规模高分辨率图像的 Inria 航空图像标注数据集上评估了我们的方法。我们的结果表明，无需任何额外后处理步骤，我们就能以 8.3\% 的优势超越最先进（SOTA）方法。
引用
@article{arxiv.1709.05932,
title = {Multi-Task Learning for Segmentation of Building Footprints with Deep Neural Networks},
author = {Benjamin Bischke and Patrick Helber and Joachim Folz and Damian Borth and Andreas Dengel},
journal= {arXiv preprint arXiv:1709.05932},
year = {2017}
}