Fugu-MT 論文翻訳(概要): TFNet: Tuning Fork Network with Neighborhood Pixel Aggregation for Improved Building Footprint Extraction

論文の概要: TFNet: Tuning Fork Network with Neighborhood Pixel Aggregation for Improved Building Footprint Extraction

arxiv url: http://arxiv.org/abs/2311.02617v1
Date: Sun, 5 Nov 2023 10:52:16 GMT
ステータス: 処理完了
システム内更新日: 2023-11-07 16:39:47.687433
Title: TFNet: Tuning Fork Network with Neighborhood Pixel Aggregation for Improved Building Footprint Extraction
Title（参考訳）: TFNet: 建物の足跡抽出改善のための隣接画素集合を用いたチューニングフォークネットワーク
Authors: Muhammad Ahmad Waseem, Muhammad Tahir, Zubair Khalid, and Momin Uppal
Abstract要約: 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。
参考スコア（独自算出の注目度）: 11.845097068829551
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper considers the problem of extracting building footprints from satellite imagery -- a task that is critical for many urban planning and decision-making applications. While recent advancements in deep learning have made great strides in automated detection of building footprints, state-of-the-art methods available in existing literature often generate erroneous results for areas with densely connected buildings. Moreover, these methods do not incorporate the context of neighborhood images during training thus generally resulting in poor performance at image boundaries. In light of these gaps, we propose a novel Tuning Fork Network (TFNet) design for deep semantic segmentation that not only performs well for widely-spaced building but also has good performance for buildings that are closely packed together. The novelty of TFNet architecture lies in a a single encoder followed by two parallel decoders to separately reconstruct the building footprint and the building edge. In addition, the TFNet design is coupled with a novel methodology of incorporating neighborhood information at the tile boundaries during the training process. This methodology further improves performance, especially at the tile boundaries. For performance comparisons, we utilize the SpaceNet2 and WHU datasets, as well as a dataset from an area in Lahore, Pakistan that captures closely connected buildings. For all three datasets, the proposed methodology is found to significantly outperform benchmark methods.
Abstract（参考訳）: 本稿では,衛星画像からビルの足跡を抽出するという課題について考察する。ディープラーニングの最近の進歩は、建物の足跡の自動検出において大きな進歩を遂げているが、既存の文献で利用可能な最先端の手法は、密集した建物のある地域では誤った結果を生み出すことが多い。さらに、これらの手法は訓練中に近傍画像のコンテキストを組み込まないため、画像境界における性能が低下する。これらのギャップを考慮し,広範に配置された建物だけでなく,密集した建物にも優れた性能を有する,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アーキテクチャの斬新さは、1つのエンコーダと2つの並列デコーダに続き、ビルのフットプリントとビルディングエッジを別々に再構築する。さらに、tfnetの設計には、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が組み合わされている。この手法は、特にタイル境界におけるパフォーマンスをさらに向上させる。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。これら3つのデータセットに対して,提案手法はベンチマーク手法よりも優れていた。

関連論文リスト

Multi-Unit Floor Plan Recognition and Reconstruction Using Improved Semantic Segmentation of Raster-Wise Floor Plans [1.0436971860292366]
MDA-Unet と MACU-Net アーキテクチャに基づく2つの新しい画素分割手法を提案する。提案手法は他の2つの最先端技術とベンチマークデータセットと比較した。一般的なCubeCasaベンチマークデータセットでは,5つのクラスに対して平均F1スコアが0.86に達している。
論文参考訳（メタデータ） (2024-08-02T18:36:45Z)
ALSTER: A Local Spatio-Temporal Expert for Online 3D Semantic Reconstruction [62.599588577671796]
本稿では,RGB-Dフレームのストリームから3次元セマンティックマップを段階的に再構成するオンライン3次元セマンティックセマンティックセマンティクス手法を提案する。オフラインの手法とは異なり、ロボット工学や混合現実のようなリアルタイムな制約のあるシナリオに直接適用できます。
論文参考訳（メタデータ） (2023-11-29T20:30:18Z)
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)
Building Footprint Extraction with Graph Convolutional Network [20.335884170850193]
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。
論文参考訳（メタデータ） (2023-05-08T06:50:05Z)
MultiScale Probability Map guided Index Pooling with Attention-based learning for Road and Building Segmentation [18.838213902873616]
MSSDMPA-Net(Multi-Scale Supervised Dilated Multiple-Path Attention Network)を提案する。 MSSDMPA-NetはDAMIP(Dynamic Attention Map Guided Index Pooling)とDAMSCA(Dynamic Attention Map Guided Spatial and Channel Attention)という2つの新しいモジュールを備えている。
論文参考訳（メタデータ） (2023-02-18T19:57:25Z)
Neural 3D Scene Reconstruction with the Manhattan-world Assumption [58.90559966227361]
本稿では,多視点画像から3次元屋内シーンを再構築する課題について述べる。平面的制約は、最近の暗黙の神経表現に基づく再構成手法に便利に組み込むことができる。提案手法は, 従来の手法よりも3次元再構成品質に優れていた。
論文参考訳（メタデータ） (2022-05-05T17:59:55Z)
Learning Local Displacements for Point Cloud Completion [93.54286830844134]
本稿では,3次元点雲として表現された部分的スキャンからオブジェクトとセマンティックシーンを補完する手法を提案する。アーキテクチャはエンコーダ-デコーダ構造内で連続的に使用される3つの新しいレイヤに依存している。オブジェクトと屋内の両方のシーン完了タスクにおけるアーキテクチャの評価を行い、最先端の性能を実現する。
論文参考訳（メタデータ） (2022-03-30T18:31:37Z)
BuildingNet: Learning to Label 3D Buildings [19.641000866952815]
BuildingNet: (a)外装が一貫してラベル付けされている大規模な3Dビルディングモデル、(b)幾何学的プリミティブの分析と構造的関係をビルディングにラベル付けするニューラルネットワーク。データセットは、家、教会、高層ビル、市役所、城などのカテゴリをカバーしている。
論文参考訳（メタデータ） (2021-10-11T01:45:26Z)
Boundary-Aware Segmentation Network for Mobile and Web Applications [60.815545591314915]
境界認識ネットワーク(basnet)は、精度の高い画像分割のための予測再定義アーキテクチャとハイブリッド損失と統合されている。 basnetは単一のgpu上で70fps以上動作し、多くの潜在的なアプリケーションが利用できる。 BASNetをベースに、BASNetが「COPY」と「PASTING」現実世界のオブジェクトのための拡張現実であるAR COPY & PASTEと、オブジェクト背景の自動削除のためのWebベースのツールであるOBJECT CUTの2つの(近い)商用アプリケーションをさらに開発しました。
論文参考訳（メタデータ） (2021-01-12T19:20:26Z)
Structured Convolutions for Efficient Neural Network Design [65.36569572213027]
畳み込みニューラルネットワーク構築ブロックのテクスト単純構造における冗長性を利用してモデル効率に取り組む。この分解が2Dカーネルや3Dカーネルだけでなく、完全に接続されたレイヤにも適用可能であることを示す。
論文参考訳（メタデータ） (2020-08-06T04:38:38Z)
Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。