数据量对基于深度学习的极高空间分辨率航拍影像建筑物屋顶提取性能的影响
计算机视觉与模式识别
2021-10-06 v2 图像与视频处理
摘要
建筑物屋顶数据在若干城市应用和自然灾难管理中十分重要。与传统测绘相比，利用高空间分辨率航拍影像，基于深度学习的建筑物屋顶提取方法高效且准确。尽管深度学习任务中更偏好更多训练数据，但数据量对建筑物提取模型的影响尚未充分探究。因此，本文探究了使用基于深度学习的方法从极高空间分辨率（VHSR）影像提取建筑物屋顶时数据量对性能的影响。为此，我们人工标注了 0.12m 空间分辨率的航拍影像，并使用流行的分割深度学习架构（包括全卷积网络（FCN）-8s、U-Net 和 DeepLabv3+）对在不同规模数据集上训练的模型进行了比较分析。实验表明，训练数据越多，算法收敛越快且精度越高，而更优的算法能更好地缓解训练数据不足的问题。
引用
@article{arxiv.2103.09300,
title = {The impact of data volume on performance of deep learning based building rooftop extraction using very high spatial resolution aerial images},
author = {Hongjie He and Ke Yang and Yuwei Cai and Zijian Jiang and Qiutong Yu and Kun Zhao and Junbo Wang and Sarah Narges Fatholahi and Yan Liu and Hasti Andon Petrosians and Bingxu Hu and Liyuan Qing and Zhehan Zhang and Hongzhang Xu and Siyu Li and Kyle Gao and Linlin Xu and Jonathan Li},
journal= {arXiv preprint arXiv:2103.09300},
year = {2021}
}