Fugu-MT 論文翻訳(概要): Learning to Extract Building Footprints from Off-Nadir Aerial Images

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

Extracting polygonal footprints in off-nadir images with Segment Anything Model [27.5051982104645]
我々は,多角形フットプリント予測のためのエンド・ツー・エンドおよびプロンプト可能なモデルであるOBMv2を提案する。 OBMと異なり、OBMv2は様々なビルディングタイプのパフォーマンスを向上させる新しいSOFA(Self Offset Attention)メカニズムを導入している。屋上マスクやビルディングマスク,オフセットを効果的に活用し,フットプリントの正確な予測を行うマルチレベル情報システム(MISS)を提案する。
論文参考訳（メタデータ） (2024-08-16T10:21:13Z)
DRAGON: Drone and Ground Gaussian Splatting for 3D Building Reconstruction [6.204957247203803]
DRAGONは、ドローンと地上の建築画像を入力として取り出し、3D NVSモデルを作成することができる。 Google Earth Studioを使って,9つの大きな建物シーンの半合成データセットを作成した。
論文参考訳（メタデータ） (2024-07-01T19:52:32Z)
Classifying geospatial objects from multiview aerial imagery using semantic meshes [2.116528763953217]
米国における森林の航空画像に基づく樹木種予測手法を提案する。提案手法は, 木分類に難渋する課題に対して, 53%から75%に分類精度を向上することを示す。
論文参考訳（メタデータ） (2024-05-15T17:56:49Z)
Aerial Lifting: Neural Urban Semantic and Building Instance Lifting from Aerial Imagery [51.73680703579997]
航空画像から都市規模のセマンティックスとビルレベルのインスタンスセグメンテーションのためのニューラルラジアンスフィールド法を提案する。都市空撮画像の物体は、建物、車、道路など、相当な大きさのバリエーションを示している。我々は,様々な大きさのオブジェクトのセグメンテーションを強化する,スケール適応型セマンティックラベル融合戦略を導入する。次に、2次元のインスタンスラベルにおける多視点不整合問題を緩和するために、新しいクロスビューインスタンスラベルグループ化戦略を導入する。
論文参考訳（メタデータ） (2024-03-18T14:15:39Z)
Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
論文参考訳（メタデータ） (2023-11-30T21:11:20Z)
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)

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。