PolyR-CNN: 用于 end-to-end 多边形建筑轮廓提取的 R-CNN
计算机视觉与模式识别
2024-07-23 v1
摘要
多边形建筑轮廓提取近年来是研究的焦点。大多数现有方法通过分解多个子任务并采用精心设计的体系结构来解决这一具有挑战性的任务。尽管这些方法在准确性方面表现良好, 但这些管道通常在训练和推理期间引入效率问题。本文提出了一种 end-to-end 框架, 称为 PolyR-CNN, 它提供了一种高效且完全集成的方法, 从遥感图像直接预测向量化建筑多边形和边界框。值得注意的是, PolyR-CNN仅利用区域感兴趣 (RoI) 的特征进行预测, 从而减轻了复杂设计的必要性。此外, 我们提出了一种新方案, 利用 PolyR-CNN 从多边形顶点坐标中提取详细轮廓信息, 称为顶点提议特征, 以引导 RoI 特征预测更规则的建筑。PolyR-CNN 通过在 INRIA 数据集上进行简单的后处理方法来处理带有洞的建筑。在 CrowdAI 数据集上进行的全面实验表明, PolyR-CNN 在准确率上与最新方法保持竞争力, 同时显著提高了计算效率, 即实现 79.2 Average Precision (AP), 相较于 established 的 end-to-end 方法 PolyWorld 提升了 15.9 AP, 且运行速度快 2.5 倍, 内存占用仅为其四分之一。使用简单的 ResNet-50 作为 backbone 时, PolyR-CNN 保持 71.1 AP, 运行速度是 PolyWorld 的四倍。
引用
@article{arxiv.2407.14912,
title = {PolyR-CNN: R-CNN for end-to-end polygonal building outline extraction},
author = {Weiqin Jiao and Claudio Persello and George Vosselman},
journal= {arXiv preprint arXiv:2407.14912},
year = {2024}
}