SuperpixelGraph: Semi-automatic generation of building footprint through semantic-sensitive superpixel and neural graph networks

要約

タイトル：セマンティック感応性スーパーピクセルとニューラルグラフネットワークを通した建物フットプリントの半自動生成

要約：
– 多くの都市アプリケーションでは、ピクセル単位のラスターイメージではなく、鮮明な境界を持つ簡潔なベクトルグラフィックスの形での建物フットプリントが必要とされる。
– しかしながら、現在のほとんどの手法は過度に平滑化されたフットプリントポリゴンを生成するため、これらの自動生成されたポリゴンの編集は手動デジタル化よりも効率が悪いことがある。
– 本論文では、セマンティック感応性スーパーピクセルとニューラルグラフネットワークを通した建物フットプリント抽出の半自動的なアプローチを提案する。
– オブジェクトベースの分類技術から着想を得て、まず、境界を保持するだけでなく、セマンティック感応的なスーパーピクセルを生成する方法を学習する。また、スーパーピクセルは、他の自然物体ではなく建物境界にのみ反応し、同時に建物のセマンティックセグメンテーションを行う。
– これらの中間スーパーピクセル表現は、グラフ内のノードとして自然に考えられる。つまり、グラフニューラルネットワークを使用して、すべてのスーパーピクセル間のグローバル相互作用をモデル化し、建物セグメンテーションのためのノード機能の表現力を向上させる。
– ベクトル化された建物フットプリントの境界を抽出および正規化するために、古典的なアプローチが使用される。少ないクリックと簡単なストロークを利用して、ポリゴン頂点の編集が必要なく、正確なセグメンテーション結果を効率的に達成する。
– 実験評価により、提案手法は、公開ベンチマークデータセットで確認されたように、超平面集合のメトリックを10%以上、ベクトルグラフィックスの評価を8%以上向上させるという優れた精度と効果を示した。
– さらに、全体的な結果の質をさらに向上させるために最適化された洗練されたパイプラインを持つインタラクティブ編集向けに提供している。

要約(オリジナル)

Most urban applications necessitate building footprints in the form of concise vector graphics with sharp boundaries rather than pixel-wise raster images. This need contrasts with the majority of existing methods, which typically generate over-smoothed footprint polygons. Editing these automatically produced polygons can be inefficient, if not more time-consuming than manual digitization. This paper introduces a semi-automatic approach for building footprint extraction through semantically-sensitive superpixels and neural graph networks. Drawing inspiration from object-based classification techniques, we first learn to generate superpixels that are not only boundary-preserving but also semantically-sensitive. The superpixels respond exclusively to building boundaries rather than other natural objects, while simultaneously producing semantic segmentation of the buildings. These intermediate superpixel representations can be naturally considered as nodes within a graph. Consequently, graph neural networks are employed to model the global interactions among all superpixels and enhance the representativeness of node features for building segmentation. Classical approaches are utilized to extract and regularize boundaries for the vectorized building footprints. Utilizing minimal clicks and straightforward strokes, we efficiently accomplish accurate segmentation outcomes, eliminating the necessity for editing polygon vertices. Our proposed approach demonstrates superior precision and efficacy, as validated by experimental assessments on various public benchmark datasets. We observe a 10\% enhancement in the metric for superpixel clustering and an 8\% increment in vector graphics evaluation, when compared with established techniques. Additionally, we have devised an optimized and sophisticated pipeline for interactive editing, poised to further augment the overall quality of the results.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI