利用深度竞争网络从大数据量多传感器数据中进行鲁棒建筑足迹提取
计算机视觉与模式识别
2020-12-01 v3 图像与视频处理
摘要
从光学影像和光探测与测距（LiDAR）点云等多传感器数据中提取建筑足迹（BFE）被广泛应用于遥感应用的各个领域。然而，由于从多传感器数据多样复杂场景中提取建筑的技术相对低效，这仍是一个具有挑战性的研究课题。在本研究中，我们开发并评估了一种深度竞争网络（DCN），该网络融合甚高空间分辨率光学遥感影像与 LiDAR 数据以实现鲁棒 BFE。DCN 是一种深度超像素级卷积编码器-解码器架构，采用带分类结构的编码器向量量化。DCN 由五个带卷积权重的编码-解码块组成，用于鲁棒二值表示（超像素）学习。DCN 在美国印第安纳州获取的多建筑场景大数据量多传感器数据集上训练和测试。精度评估的对比结果表明，与其他深度语义二值分割架构相比，DCN 具有竞争力的 BFE 性能。因此，我们得出结论：所提模型是从大数据量多传感器数据中实现鲁棒 BFE 的合适方案。
引用
@article{arxiv.2011.02879,
title = {Robust building footprint extraction from big multi-sensor data using deep competition network},
author = {Mehdi Khoshboresh-Masouleh and Mohammad R. Saradjian},
journal= {arXiv preprint arXiv:2011.02879},
year = {2020}
}
备注
8 pages, 5 figures