要約
タイトル:歴史的な地図と最新の画像に基づくコントラスティブ学習を用いた信頼性の高い建物足跡変化の抽出(BCE-Net)
要約:
– 高解像度の最新の画像を用いて建物データベースを自動的に更新することは急速に発展する都市地域にとって致命的な要件となっている。
– しかし、変化抽出の既存のアプローチのアーキテクチャのほとんどは、変化に関連する特徴を学習しようとするが、建物に関連する目的を無視しているため、季節の変化や建物のファザードの傾斜などの要因により、大きな擬似変化が生成される。
– 上記の問題を軽減するために、歴史的な建物の足跡を単一の最新のリモートセンシング画像と検証することにより、コントラスティブ学習アプローチを開発した。
– このコントラスティブ学習戦略により、建物の意味を変更検出パイプラインに注入することができ、それは建物の特徴を非建物の特徴から区別することによって達成される。
– さらに、歴史的な建物ポリゴンと最新の画像の建物の不一致の効果を減らすために、変形可能な畳み込みニューラルネットワークを使用して直感的なオフセットを学習した。
– 結論として、新しく建設された建物と削除された建物を識別するマルチブランチの建物抽出方法を形成した。
– 当社の手法を検証するために、公共の武漢大学建物変化検出データセットと私たちが確立したもっと実用的なデータセットで比較的な実験を行った。
– 当社の手法は、それぞれ93.99%と70.74%のF1スコアを達成した。
– さらに、公共データセットのデータが以前の関連研究と同様に分割された場合、当社の手法は最先端の手法を上回る94.63%のF1スコアを達成した。
要約(オリジナル)
Automatic and periodic recompiling of building databases with up-to-date high-resolution images has become a critical requirement for rapidly developing urban environments. However, the architecture of most existing approaches for change extraction attempts to learn features related to changes but ignores objectives related to buildings. This inevitably leads to the generation of significant pseudo-changes, due to factors such as seasonal changes in images and the inclination of building fa\c{c}ades. To alleviate the above-mentioned problems, we developed a contrastive learning approach by validating historical building footprints against single up-to-date remotely sensed images. This contrastive learning strategy allowed us to inject the semantics of buildings into a pipeline for the detection of changes, which is achieved by increasing the distinguishability of features of buildings from those of non-buildings. In addition, to reduce the effects of inconsistencies between historical building polygons and buildings in up-to-date images, we employed a deformable convolutional neural network to learn offsets intuitively. In summary, we formulated a multi-branch building extraction method that identifies newly constructed and removed buildings, respectively. To validate our method, we conducted comparative experiments using the public Wuhan University building change detection dataset and a more practical dataset named SI-BU that we established. Our method achieved F1 scores of 93.99% and 70.74% on the above datasets, respectively. Moreover, when the data of the public dataset were divided in the same manner as in previous related studies, our method achieved an F1 score of 94.63%, which surpasses that of the state-of-the-art method.
arxiv情報
著者 | Cheng Liao,Han Hu,Xuekun Yuan,Haifeng Li,Chao Liu,Chunyang Liu,Gui Fu,Yulin Ding,Qing Zhu |
発行日 | 2023-04-14 12:00:47+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, OpenAI