論文の概要: Global Collinearity-aware Polygonizer for Polygonal Building Mapping in Remote Sensing

• arxiv url: http://arxiv.org/abs/2505.01385v1
• Date: Fri, 02 May 2025 16:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:20.087858
• Title: Global Collinearity-aware Polygonizer for Polygonal Building Mapping in Remote Sensing
• Title（参考訳）: リモートセンシングにおける多角形建物マッピングのためのグローバルコリナリティ対応ポリゴニザ
• Authors: Fahong Zhang, Yilei Shi, Xiao Xiang Zhu,
• Abstract要約: 本稿では,リモートセンシング画像から多角形建物をマッピングするという課題に対処する。 これは新しいアルゴリズム、Global Collinearity-aware Polygonizer (GCP)を導入した。
• 参考スコア（独自算出の注目度）: 18.151134198549574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the challenge of mapping polygonal buildings from remote sensing images and introduces a novel algorithm, the Global Collinearity-aware Polygonizer (GCP). GCP, built upon an instance segmentation framework, processes binary masks produced by any instance segmentation model. The algorithm begins by collecting polylines sampled along the contours of the binary masks. These polylines undergo a refinement process using a transformer-based regression module to ensure they accurately fit the contours of the targeted building instances. Subsequently, a collinearity-aware polygon simplification module simplifies these refined polylines and generate the final polygon representation. This module employs dynamic programming technique to optimize an objective function that balances the simplicity and fidelity of the polygons, achieving globally optimal solutions. Furthermore, the optimized collinearity-aware objective is seamlessly integrated into network training, enhancing the cohesiveness of the entire pipeline. The effectiveness of GCP has been validated on two public benchmarks for polygonal building mapping. Further experiments reveal that applying the collinearity-aware polygon simplification module to arbitrary polylines, without prior knowledge, enhances accuracy over traditional methods such as the Douglas-Peucker algorithm. This finding underscores the broad applicability of GCP. The code for the proposed method will be made available at https://github.com/zhu-xlab.
• Abstract（参考訳）: 本稿では、リモートセンシング画像から多角形建物をマッピングすることの課題に対処し、新しいアルゴリズムであるグローバルコリナリティ対応ポリゴニザ(GCP)を導入する。 GCPはインスタンスセグメンテーションフレームワーク上に構築され、任意のインスタンスセグメンテーションモデルによって生成されたバイナリマスクを処理する。 アルゴリズムは、二乗マスクの輪郭に沿ってサンプリングされたポリリンを集めることから始まる。 これらのポリラインは、トランスフォーマーベースの回帰モジュールを使用して洗練プロセスを実行し、ターゲットとなるビルディングインスタンスの輪郭を正確に適合させる。 その後、コリニアリティを意識したポリゴン単純化モジュールは、これらの洗練されたポリラインを単純化し、最終的なポリゴン表現を生成する。 このモジュールは動的プログラミング手法を用いて、ポリゴンの単純性と忠実性のバランスをとる客観的関数を最適化し、グローバルな最適解を達成する。 さらに、最適化されたコリニアリティ対応の目的は、ネットワークトレーニングにシームレスに統合され、パイプライン全体の凝集度が向上する。 GCPの有効性は、多角形ビルディングマッピングのための2つの公開ベンチマークで検証されている。 さらに、コリニアリティを意識したポリゴン単純化モジュールを事前の知識なしに任意のポリラインに適用すると、ダグラス・ペッカーアルゴリズムのような従来の手法よりも精度が向上することが明らかとなった。 この発見はGCPの幅広い適用性を強調している。 提案されたメソッドのコードはhttps://github.com/zhu-xlab.comで公開される。

関連論文リスト

• LDPoly: Latent Diffusion for Polygonal Road Outline Extraction in Large-Scale Topographic Mapping [5.093758132026397]
  本稿では,高解像度空中画像から多角形道路輪郭を抽出する最初のフレームワークであるLDPolyを紹介する。 新しいベンチマークデータセットであるMap2ImLasでLDPolyを評価する。
  論文  参考訳（メタデータ） (2025-04-29T11:13:33Z)
• Learning Geometric Invariant Features for Classification of Vector Polygons with Graph Message-passing Neural Network [3.804240190982697]
  本稿では,ポリゴンの形状分類のための幾何学的不変特徴を学習するために,新しいグラフメッセージパッシングニューラルネットワーク(PolyMP)を提案する。 提案したグラフベースPolyMPネットワークは,ポリゴンの幾何変換に不変な表現幾何学的特徴の学習を可能にする。
  論文  参考訳（メタデータ） (2024-07-05T08:19:36Z)
• P2PFormer: A Primitive-to-polygon Method for Regular Building Contour Extraction from Remote Sensing Images [5.589842901102337]
  既存の方法は不規則な輪郭、丸い角、冗長点に悩まされている。 本稿では,ポストプロセッシングを使わずに通常の建物輪郭を生成する,新しい合理化パイプラインを提案する。 P2PFormerは、WHU、CrowdAI、WHU-Mixデータセット上で、最先端のパフォーマンスを新たに実現している。
  論文  参考訳（メタデータ） (2024-06-05T04:38:45Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• PolyGNN: Polyhedron-based Graph Neural Network for 3D Building Reconstruction from Point Clouds [22.18061879431175]
  PolyGNNは、再構成ポイントクラウドを構築するためのグラフニューラルネットワークである。 多面体分解によって得られる原始体を組み立てることを学ぶ。 都市間および実世界の点雲上での移動可能性解析を行う。
  論文  参考訳（メタデータ） (2023-07-17T16:52:25Z)
• Recurrent Generic Contour-based Instance Segmentation with Progressive Learning [111.31166268300817]
  本稿では,一般的な輪郭型インスタンスセグメンテーションのための新しいディープネットワークアーキテクチャ,すなわちPolySnakeを提案する。 従来のSnakeアルゴリズムに動機付け,提案したPolySnakeはより優れた,堅牢なセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T05:34:29Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• Towards General-Purpose Representation Learning of Polygonal Geometries [62.34832826705641]
  我々は,多角形形状を埋め込み空間に符号化できる汎用多角形符号化モデルを開発した。 1)MNISTに基づく形状分類,2)DBSR-46KとDBSR-cplx46Kという2つの新しいデータセットに基づく空間関係予測を行う。 以上の結果から,NUFTspec と ResNet1D は,既存のベースラインよりも有意なマージンで優れていた。
  論文  参考訳（メタデータ） (2022-09-29T15:59:23Z)
• PolyWorld: Polygonal Building Extraction with Graph Neural Networks in Satellite Images [10.661430927191205]
  本稿では、画像から直接建物頂点を抽出し、それらを正しく接続して正確なポリゴンを生成するニューラルネットワークであるPolyWorldを紹介する。 PolyWorldは、ポリゴン化の構築における最先端を著しく上回る。
  論文  参考訳（メタデータ） (2021-11-30T15:23:17Z)

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。