NL-LinkNet：利用非局部操作实现更轻量且更精确的道路提取
机器学习
2020-11-12 v3 计算机视觉与模式识别
机器学习
摘要
从超高分辨率卫星 (VHR) 影像中提取道路是遥感领域最重要的课题之一。本文中，我们提出一种高效的 Non-Local LinkNet，其带有能够捕捉全局特征间关系的非局部块。这使得每个空间特征点都能参考所有其他上下文信息，从而实现更精确的道路分割。具体而言，我们的单一模型无需任何后处理（如 CRF 精化），在官方 DeepGlobe 挑战赛中的表现优于任何其他已发表的最先进集成模型。此外，我们的 NL-LinkNet 以少 43% 的参数量、更低的每秒十亿次浮点运算数 (GFLOPs) 和更短的训练收敛时间，击败了 DeepGlobe 挑战赛的获胜者 D-LinkNet。我们还对基线模型中非局部块的恰当用法进行了实证分析。
引用
@article{arxiv.1908.08223,
title = {NL-LinkNet: Toward Lighter but More Accurate Road Extraction with Non-Local Operations},
author = {Yooseung Wang and Junghoon Seo and Taegyun Jeon},
journal= {arXiv preprint arXiv:1908.08223},
year = {2020}
}
备注
IEEE Geoscience and Remote Sensing Letters (2020, to appear)