Road detection via a dual-task network based on cross-layer graph fusion modules

要約

リモート センシング画像に基づく道路検出は、インテリジェントな交通管理にとって非常に重要です。
主流の道路検出方法のパフォーマンスは、主に抽出された特徴によって決定されます。その豊富さと堅牢性は、さまざまなタイプの特徴とクロスレイヤー接続を融合することによって強化できます。
ただし、既存の主流のモデル フレームワークの機能は、単一タスクのトレーニングによって同じレイヤー内で類似していることが多く、従来のクロスレイヤーの融合方法は単純すぎて効率的な効果が得られないため、連結や追加以外のより複雑な融合方法が必要です。
検討する価値があります。
上記の欠点を目指して、道路検出とクロスレイヤーグラフフュージョンモジュール（CGM）のデュアルタスクネットワーク（DTnet）を提案します。DTnetは、機能を強化しながら、道路エリアとエッジ検出の2つの並列ブランチで構成されます。
設計されたフィーチャー ブリッジ モジュール (FBM) を介して 2 つのブランチ間の機能を融合することで多様性を実現します。
CGM は、複雑な機能ストリーム グラフによるクロスレイヤー フュージョン効果を改善し、4 つのグラフ パターンを評価します。
3 つの公開データセットでの実験結果は、私たちの方法が最終的な検出結果を効果的に改善することを示しています。

要約(オリジナル)

Road detection based on remote sensing images is of great significance to intelligent traffic management. The performances of the mainstream road detection methods are mainly determined by their extracted features, whose richness and robustness can be enhanced by fusing features of different types and cross-layer connections. However, the features in the existing mainstream model frameworks are often similar in the same layer by the single-task training, and the traditional cross-layer fusion ways are too simple to obtain an efficient effect, so more complex fusion ways besides concatenation and addition deserve to be explored. Aiming at the above defects, we propose a dual-task network (DTnet) for road detection and cross-layer graph fusion module (CGM): the DTnet consists of two parallel branches for road area and edge detection, respectively, while enhancing the feature diversity by fusing features between two branches through our designed feature bridge modules (FBM). The CGM improves the cross-layer fusion effect by a complex feature stream graph, and four graph patterns are evaluated. Experimental results on three public datasets demonstrate that our method effectively improves the final detection result.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google