論文の概要: Learning to Extract Building Footprints from Off-Nadir Aerial Images
- arxiv url: http://arxiv.org/abs/2204.13637v1
- Date: Thu, 28 Apr 2022 16:56:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 16:01:53.170349
- Title: Learning to Extract Building Footprints from Off-Nadir Aerial Images
- Title(参考訳): 航空画像から建物足跡を抽出するための学習
- Authors: Jinwang Wang, Lingxuan Meng, Weijia Li, Wen Yang, Lei Yu, Gui-Song Xia
- Abstract要約: 既存のアプローチでは、建物の屋根と足跡はよく重なり合っていると仮定されている。
本稿では,ビル跡抽出問題をインスタンスレベルの共同予測問題に変換する,オフセットベクトル学習手法を提案する。
本論文では,新たなデータセットであるビルディング・イン・オフ・ナディア航空画像(BONAI)を作成し,公開する。
- 参考スコア(独自算出の注目度): 33.2991137981025
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting building footprints from aerial images is essential for precise
urban mapping with photogrammetric computer vision technologies. Existing
approaches mainly assume that the roof and footprint of a building are well
overlapped, which may not hold in off-nadir aerial images as there is often a
big offset between them. In this paper, we propose an offset vector learning
scheme, which turns the building footprint extraction problem in off-nadir
images into an instance-level joint prediction problem of the building roof and
its corresponding "roof to footprint" offset vector. Thus the footprint can be
estimated by translating the predicted roof mask according to the predicted
offset vector. We further propose a simple but effective feature-level offset
augmentation module, which can significantly refine the offset vector
prediction by introducing little extra cost. Moreover, a new dataset, Buildings
in Off-Nadir Aerial Images (BONAI), is created and released in this paper. It
contains 268,958 building instances across 3,300 aerial images with fully
annotated instance-level roof, footprint, and corresponding offset vector for
each building. Experiments on the BONAI dataset demonstrate that our method
achieves the state-of-the-art, outperforming other competitors by 3.37 to 7.39
points in F1-score. The codes, datasets, and trained models are available at
https://github.com/jwwangchn/BONAI.git.
- Abstract(参考訳): 航空画像から建物の足跡を抽出することは、フォトグラムコンピュータビジョン技術を用いた正確な都市地図作成に不可欠である。
既存のアプローチでは、建物の屋根と足跡はよく重なり合っており、その間に大きなオフセットがしばしばあるため、沖の空中画像は保持されない可能性がある。
本稿では,オフnadir画像における建物足跡抽出問題を,建物屋根のインスタンスレベルのジョイント予測問題とそれに対応する「足跡へのルーフ」オフセットベクトルに変換するオフセットベクトル学習手法を提案する。
これにより、予測されたオフセットベクトルに応じて予測されたルーフマスクを翻訳することで足跡を推定することができる。
さらに,追加コストを少なくすることでオフセットベクトル予測を大幅に改善できる,単純かつ効果的な機能レベルのオフセット拡張モジュールを提案する。
さらに,本論文では,新たなデータセットであるビルディング・イン・オフ・ナディア航空画像(BONAI)を作成し,公開する。
建物には3,300枚の航空画像にまたがる268,958個の建物インスタンスがあり、それぞれにインスタンスレベルの屋根、足跡、対応するオフセットベクターが備わっている。
BONAIデータセットを用いた実験により,F1スコアの3.37ポイントから7.39ポイントに向上し,最先端技術を実現した。
コード、データセット、トレーニングされたモデルはhttps://github.com/jwwangchn/bonai.gitで入手できる。
関連論文リスト
- Building Extraction from Remote Sensing Images via an Uncertainty-Aware
Network [18.365220543556113]
ビルの抽出は、都市計画や都市動態モニタリングなど、多くの応用において重要な役割を担っている。
本稿では,この問題を緩和するために,新規で簡単なUncertainty-Aware Network(UANet)を提案する。
その結果、提案したUANetは、他の最先端アルゴリズムよりも大きなマージンで優れていることが示された。
論文 参考訳(メタデータ) (2023-07-23T12:42:15Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳(メタデータ) (2023-07-05T18:16:30Z) - Learning to Generate 3D Representations of Building Roofs Using
Single-View Aerial Imagery [68.3565370706598]
本研究では,空撮画像から建物屋根メッシュの条件分布を学習するための新しいパイプラインを提案する。
同一物体の複数の画像を必要とする代替手法とは違って,本手法では,一つの画像のみを用いて予測を行う3次元屋根メッシュを推定できる。
論文 参考訳(メタデータ) (2023-03-20T15:47:05Z) - BiSVP: Building Footprint Extraction via Bidirectional Serialized Vertex
Prediction [43.61580149432732]
BiSVPは、改良のないエンドツーエンドの建築フットプリント抽出手法である。
本稿では,高解像度でリッチなセマンティックな特徴学習を実現するために,CSFFモジュールを提案する。
当社のBiSVPは,3つのビルディングインスタンスセグメンテーションベンチマークにおいて,最先端の手法よりもかなり優れている。
論文 参考訳(メタデータ) (2023-03-01T07:50:34Z) - Ground Plane Matters: Picking Up Ground Plane Prior in Monocular 3D
Object Detection [92.75961303269548]
先行する地平面は、モノクル3次元物体検出(M3OD)における非常に情報的な幾何学的手がかりである
本稿では,両問題を一度に解決するGPENetを提案する。
我々のGPENetは、他の手法よりも優れ、最先端のパフォーマンスを実現し、提案手法の有効性と優位性を示すことができる。
論文 参考訳(メタデータ) (2022-11-03T02:21:35Z) - Occupancy Planes for Single-view RGB-D Human Reconstruction [120.5818162569105]
暗黙的な機能を持つシングルビューRGB-Dヒト再構成は、しばしばポイント単位の分類として定式化される。
本稿では,カメラの視野フラストラムをスライスする平面上での占有率予測として,一視点のRGB-D人間の再構成を定式化できる占有面(OPlanes)表現を提案する。
論文 参考訳(メタデータ) (2022-08-04T17:59:56Z) - Self-supervised 360$^{\circ}$ Room Layout Estimation [20.062713286961326]
ラベル付きデータを使わずにパノラマ的な部屋配置推定モデルを訓練するための,最初の自己教師方式を提案する。
弊社のアプローチでは、データ共有シナリオとアクティブラーニングにおける有望なソリューションも示しています。
論文 参考訳(メタデータ) (2022-03-30T04:58:07Z) - Danish Airs and Grounds: A Dataset for Aerial-to-Street-Level Place
Recognition and Localization [9.834635805575584]
我々は,この事例を対象とする道路や航空画像の大規模な収集であるemphDanish Airs and Groundsデータセットにコントリビュートする。
データセットは、都市部、郊外部、農村部で50km以上の道路を含む、現在利用可能なデータよりも大きく、多様である。
そこで本研究では,まず空中画像から高密度な3次元再構成を推定し,検索したストリートレベルの画像と3次元モデルのストリートレベルのレンダリングをマッチングするマップ・ツー・イメージ再配置パイプラインを提案する。
論文 参考訳(メタデータ) (2022-02-03T19:58:09Z) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳(メタデータ) (2021-02-24T11:20:55Z) - Building Footprint Generation by IntegratingConvolution Neural Network
with Feature PairwiseConditional Random Field (FPCRF) [21.698236040666675]
建築フットプリントマップは、3Dビルディングモデリング、都市計画、災害管理など、多くのリモートセンシングアプリケーションにとって不可欠である。
本研究では,畳み込みニューラルネットワーク(CNN)とグラフモデルを組み合わせたエンドツーエンドな構築フットプリント生成手法を提案する。
論文 参考訳(メタデータ) (2020-02-11T18:51:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。