Sci-Net：用于航空影像建筑物分割的尺度不变模型
计算机视觉与模式识别
2023-10-04 v5 人工智能
计算与语言
机器学习
摘要
建筑物分割是地球观测与航空影像分析领域的一项基础任务。文献中大多数现有的基于深度学习的方法只能应用于固定或窄范围空间分辨率的影像。在实际场景中，用户处理的是宽频谱的图像分辨率。因此，给定的航空图像常常需要被重采样以匹配用于训练深度学习模型的数据集的空间分辨率，这会导致分割性能下降。为克服这一挑战，我们在本稿中提出尺度不变神经网络（Sci-Net）架构，用于从宽范围空间分辨率的航空图像中分割建筑物。具体而言，我们的方法利用UNet分层表示与密集空洞空间金字塔池化来提取细粒度的多尺度表示。Sci-Net在Open Cities AI和Multi-Scale Building数据集上显著优于最先进模型，并在不同空间分辨率下保持稳定的改进幅度。
引用
@article{arxiv.2111.06812,
title = {Sci-Net: Scale Invariant Model for Buildings Segmentation from Aerial Imagery},
author = {Hasan Nasrallah and Mustafa Shukor and Ali J. Ghandour},
journal= {arXiv preprint arXiv:2111.06812},
year = {2023}
}