論文の概要: Building Footprint Extraction with Graph Convolutional Network

• arxiv url: http://arxiv.org/abs/2305.04499v1
• Date: Mon, 8 May 2023 06:50:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 15:26:43.858474
• Title: Building Footprint Extraction with Graph Convolutional Network
• Title（参考訳）: グラフ畳み込みネットワークを用いた建物足跡抽出
• Authors: Yilei Shi, Qinyu Li, Xiaoxiang Zhu
• Abstract要約: 都市モデルの3次元再構築には,足跡情報の構築が不可欠である。 ディープ畳み込みニューラルネットワーク(DCNN)の最近の進歩は、正確なピクセルレベルのラベリングタスクを可能にしている。 本研究では,グラフ畳み込みネットワーク (GCN) をフットプリント抽出タスクの構築に用い,この問題を克服するためのエンドツーエンドフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.335884170850193
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Building footprint information is an essential ingredient for 3-D reconstruction of urban models. The automatic generation of building footprints from satellite images presents a considerable challenge due to the complexity of building shapes. Recent developments in deep convolutional neural networks (DCNNs) have enabled accurate pixel-level labeling tasks. One central issue remains, which is the precise delineation of boundaries. Deep architectures generally fail to produce fine-grained segmentation with accurate boundaries due to progressive downsampling. In this work, we have proposed a end-to-end framework to overcome this issue, which uses the graph convolutional network (GCN) for building footprint extraction task. Our proposed framework outperforms state-of-the-art methods.
• Abstract（参考訳）: 建物の足跡情報は都市モデルの3次元再構築に不可欠な要素である。 衛星画像から建物フットプリントの自動生成は、建物の形状が複雑になるため、大きな課題となる。 深層畳み込みニューラルネットワーク(dcnn)の最近の開発により、正確なピクセルレベルのラベリングタスクが可能になった。 中心となる問題は、境界の正確な定義である。 ディープアーキテクチャは一般的に、プログレッシブなダウンサンプリングのため、正確な境界を持つきめ細かいセグメンテーションを生成できない。 本研究では,グラフ畳み込みネットワーク (GCN) をフットプリント抽出タスクの構築に用い,この問題を克服するためのエンドツーエンドフレームワークを提案する。 提案手法は最先端の手法より優れている。

関連論文リスト

• Enhancing Polygonal Building Segmentation via Oriented Corners [0.3749861135832072]
  本稿では,入力画像から直接ポリゴンを抽出する,OriCornerNetという新しいディープ畳み込みニューラルネットワークを提案する。 我々のアプローチは、隣接する角への方向を示すフットプリントマスク、コーナー、配向ベクトルを予測できる深いモデルを含む。 SpaceNet VegasとCrowdAIの小さなデータセットで行った性能評価は、我々のアプローチの競争力を示すものである。
  論文  参考訳（メタデータ） (2024-07-17T01:59:06Z)
• TFNet: Tuning Fork Network with Neighborhood Pixel Aggregation for Improved Building Footprint Extraction [11.845097068829551]
  深層セマンティックセグメンテーションのための新しいチューニングフォークネットワーク(TFNet)の設計を提案する。 TFNetの設計は、トレーニングプロセス中にタイル境界に周辺情報を組み込む新しい手法と組み合わせられている。 パフォーマンス比較では、SpaceNet2とWHUのデータセットと、密接な接続された建物をキャプチャするパキスタンのラホールのエリアからのデータセットを使用します。
  論文  参考訳（メタデータ） (2023-11-05T10:52:16Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Hierarchical Graph Networks for 3D Human Pose Estimation [50.600944798627786]
  最近の2次元から3次元の人間のポーズ推定は、人間の骨格のトポロジーによって形成されたグラフ構造を利用する傾向がある。 この骨格トポロジーは体の構造を反映するには小さすぎるため、重度の2次元から3次元のあいまいさに悩まされていると我々は主張する。 本稿では,これらの弱点を克服するために,新しいグラフ畳み込みネットワークアーキテクチャである階層グラフネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T15:09:03Z)
• Voxel-based Network for Shape Completion by Leveraging Edge Generation [76.23436070605348]
  エッジ生成(VE-PCN)を利用した点雲補完のためのボクセルネットワークを開発した。 まず点雲を正規のボクセル格子に埋め込み、幻覚した形状のエッジの助けを借りて完全な物体を生成する。 この分離されたアーキテクチャとマルチスケールのグリッド機能学習は、より現実的な表面上の詳細を生成することができる。
  論文  参考訳（メタデータ） (2021-08-23T05:10:29Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• 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。