阅读原文

이전|다음

BHDSI: 딥러닝을 위한 원격 탐사 건물 높이 데이터셋

추상적인

광학 및 SAR 원격 탐사 영상을 이용한 건물 높이 추정은 도시 형태를 이해하고 도시 공간을 최적화하는 데 매우 중요합니다. 하지만 기존 데이터셋은 여러 한계가 있습니다. 샘플 수가 적어 딥러닝 기반 원격 탐사 정보 추출 요구를 충족하기 어렵고, 샘플이 커버하는 영역이 제한되어 충분한 지리적 다양성과 공간적 특성 대표성을 제공하지 못하며, 특히 중국 지역을 대상으로 한 대규모 건물 높이 데이터셋이 부족합니다. 또한 데이터셋의 개방성이 부족하여 보다 광범위한 연구에서 활용 및 검증에 제한이 있습니다. 이러한 문제를 해결하기 위해 본 논문에서는 Sentinel 영상을 기반으로 한 딥러닝용 건물 높이 데이터셋 BHDSI(Building Height Estimation Dataset Based on Sentinel Imagery)를 구축하였습니다. 이 데이터셋은 중국 62개 도시 중심지구를 포함하며 총 5606개의 샘플이 도시 및 농촌 등 다양한 장면을 포함하고 있어 현재 중국 지역에서 가장 넓은 면적을 커버하는 건물 높이 데이터셋입니다. 데이터셋에는 Sentinel-1 및 Sentinel-2 원격 탐사 영상과 실제 건물 높이 값이 포함되어 있으며, 샘플 크기는 256×256으로 64×64 크기 데이터셋에 비해 건물 높이 추정 연구에 중요한 보완 선택지를 제공합니다. 다른 데이터셋과 비교했을 때, 본 데이터셋은 샘플 수가 많고, 적용 범위가 넓으며, 접근성이 좋고, 건물 높이 분포가 합리적이라는 특징이 있어 딥러닝 네트워크 학습 요구를 더욱 잘 충족합니다. 이를 바탕으로 본 논문에서는 동일한 딥러닝 네트워크를 통해 BHDSI 데이터셋 및 유사한 데이터셋을 평가하고, 여러 네트워크가 BHDSI 데이터셋을 사용할 때 건물 높이 회귀 과제에서의 성능을 비교하며 각 네트워크의 장단점을 심층 분석하였습니다. 결과는 BHDSI 데이터셋이 건물 높이 회귀 과제에서 다른 데이터셋보다 우수한 성능을 나타냄을 보여주었습니다. 추가 분석 결과, BHDSI 데이터셋 사용 시 건물 높이가 낮은 영역에서 추정 정확도가 상대적으로 높았습니다. 또한, U-Net 디코더를 사용한 건물 높이 추정 네트워크 훈련이 더 높은 정확도를 달성할 수 있음을 확인하였습니다. 종합하면 BHDSI 데이터셋은 향후 건물 높이 추정 연구에 중요한 지원을 제공합니다.

키워드

sentinel 이미지; 건물 높이; 데이터셋; 딥러닝; 합성곱 신경망

1 인용문

원격 영상을 이용하면 지물의 무늬와 구조를 포착할 수 있을 뿐만 아니라 건축물의 3차원 형태 정보도 얻을 수 있기 때문에 건축 높이 추정과 도시 3차원 모델링 등 임무에 널리 응용된다.건축고도추정은 원격감지령역의 중요한 연구방향으로서 도시계획, 도시보유량갱신과 도시신체검사평가 등 분야에 널리 응용된다.이 임무의 핵심은 원격 감지 영상을 이용해 건축물의 정확한 높이를 추정해 도시 관리와 건축물 형태 분석에 신뢰할 수 있는 데이터를 지원하는 것이다.

원격 감지 영상을 이용하여 건축 고도의 평가를 하는 관건은 영상에서 2차원과 3차원 정보를 효과적으로 추출하고 이 두 가지 정보를 반영하는 특징을 식별하는 데 있다.이 과정에서 딥 러닝 기술은 건축과 고도로 관련된 복잡한 특징을 자동으로 식별하고 학습할 수 있는 현저한 장점을 보여준다.딥 러닝과 전통적인 시각 인식 방법의 가장 큰 차이점은 딥 러닝 방법이 수동 추출 피쳐에 의존하는 것이 아니라 많은 데이터에서 자동으로 피쳐를 학습한다는 것입니다 (Zhang等，2016）。기계 학습, 딥 러닝 등 인공지능 기술이 원격 탐지 분야에서 끊임없이 응용되고 발전함에 따라 대량의 샘플을 기반으로 한 데이터 구동 네트워크는 이미 원격 탐지 영상 정보 추출의 새로운 연구 패러다임이 되었고, 샘플 데이터의 규모, 품질, 다양성 등에 대해 더욱 높은 요구를 제기했다 (冯权泷等，2022）。이러한 맥락에서 국내외 학자들은 항공 사진을 데이터 소스로 하는 Potsdam, Vaihingen 데이터 세트, 2023 년 IEEE GRSS 데이터 융합 경쟁 트랙 2 데이터 세트 (DFC 2023) 를 포함한 고도의 딥 러닝 지향적 인 원격 감지 데이터 세트를 발표했습니다.Persello等，2023），Cao和Weng（2024）게시된 북반구 빌딩 높이 데이터 세트 및Cai等（2023）에 사용된 초병 - 고덕 데이터 세트.Potsdam과 Vaihingen 데이터 세트는 현재 널리 사용되고 있는 고해상도 항공 촬영 원격 탐지 데이터 세트로, 모두 정사 사진 (TOP) 과 밀집 영상 매칭을 기반으로 생성된 디지털 표면 모델 (DSM) 을 포함하고 있다.비록 그 영상의 질이 비교적 높아 건축의 윤곽과 고도추출임무를 진행하기에 적합하지만 DSM에는 일반적으로 대량의 식생과 같은 비건축류지물이 포함되여있기에 건축의 고도추정정밀도는 제한되여있으므로 비목표정보를 제거하기 위해 추가로 처리해야 한다.이밖에 이 두 데이터세트는 독일의 두 도시구역만 망라하고 지리분포와 건축류형의 다양성이 제한되여있어 큰 범위, 여러 지역에서의 모형의 일반화응용을 지원하기 어렵다.2023년 IEEE GRSS 데이터 융합 경진대회의 트랙 2 데이터에는 0.5m 해상도의 광학 영상과 합성 공경 레이더(SAR) 영상, 이에 대응하는 DSM이 포함된다.DFC 2023 데이터 세트는 공간 해상도가 높지만 멀티태스킹 영상 데이터를 정기적으로 제공할 수 없어 초병 1호와 초병 2호가 제공하는 10m 해상도 영상에 비해 고득점 영상이 커버리지와 액세스 빈도가 부족하다.초병 1호와 초병 2호 위성의 글로벌 커버리지는 넓은 범위의 건물 정보를 포착할 수 있게 하지만 DFC 2023 데이터 세트의 커버리지는 작아 광범위한 건물 고도 예측 능력을 제공하기 어렵다.Cao和Weng（2024）발표 된 북반구 건축 높이 데이터 세트에는 45000 개의 샘플이 있으며 주로 중국, 미국 및 유럽의 여러 도시 지역에 분포되어 있으며 각 지역에는 15000 개의 샘플이 있습니다.각 샘플은 640m×640m의 공간 범위를 포괄하며, 해상도 2.5m의 참조 건물 고도도, 해상도 10m 지점의 초병 1호 영상, 해상도 10m 지점의 초병 2호 영상, 구글 어스에서 온 고해상도 위성 영상으로 구성된다.샘플 크기가 작기 때문에 64 × 64 픽셀 데이터 세트의 건물은 영상에서 너무 단순화 될 수 있으며 특히 큰 규모의 건물군이나 고층 건물의 경우 충분한 컨텍스트 정보를 제공하지 못할 수 있습니다.또한 이 데이터 세트의 샘플은 7대 3의 비율로 훈련 세트와 테스트 세트로 구분되어 있는데, 이러한 구분 방식은 실제 훈련 테스트 수요를 만족시킬 수 없고 네트워크의 일반화 능력을 효과적으로 평가할 수 없다.실제 딥러닝 네트워크 훈련 테스트에서 훈련된 딥러닝 네트워크는 일반적으로 훈련 세트와 겹치지 않는 영역에 적용되며, 네트워크의 재사용을 실현할 수 있을 뿐만 아니라 그 일반화 성능을 더 잘 검증할 수 있다.Cai等（2023）결과물의 데이터 샘플 수가 부족하며 소스를 열지 않습니다.

광범위한 건축 높이 추정의 연구 진전을 추진하기 위해 현 건축 높이 데이터 세트의 한계에 맞추어 본고는 중국 62개 도시를 선정하여 도시 중심 지역의 초병 1호, 초병 2호 원격 감지 영상과 고덕 건축 윤곽 데이터를 데이터 소스로 하고 원격 감지 영상을 256 × 256 픽셀 크기의 샘플 블록 (실제 공간 범위 2560m × 2560m에 대응) 으로 재단하여 딥 러닝 기반 건축물 Seagding 데이터 세트를 구축했다.이 데이터 세트에 기초하여, 이 글은 후속 관련 연구에 참고 기준을 제공하기 위해 다양한 고전 딥 러닝 회귀 네트워크의 성능을 한층 더 평가하였다.

2 BHDSI 데이터 세트

2.1 BHDSI 데이터 세트 구축

본문 참고Cai等（2023）, BHDSI 데이터 세트를 구축했습니다.데이터 세트는 이미지 다운로드 및 이미지 자르기 방법을 사용하여 참조 높이 오버레이 미비 문제를 해결합니다.구체적인 절차는 고덕 건축 윤곽 데이터 처리, 건물 층수 검증, 높이 계산, 그리드 데이터로 전환;CBRA 데이터를 GEE에 업로드하여 10m 해상도와 일치하도록 샘플링합니다.처리된 고덕 건물 높이 데이터와 CBRA 데이터를 다운로드하여 초병 1호의 VV, VH 밴드 및 초병 2호의 블루라이트, 그린라이트, 레드라이트 및 근적외선 밴드 데이터를 조합한다;고덕건축윤곽데이터와 CBRA데이터의 중첩부분을 선별하고 고중합도구역을 훈련견본으로 선택한다.구체적인 흐름도Fig. 1와 같습니다.

Fig. 1 Flowchart of building height dataset construction

2.1.1 데이터 출처

BHDSI 데이터 세트가 서로 다른 건축 유형을 포괄하여 회귀 네트워크를 더 잘 훈련시키기 위해 본고는 중국 62개 도시의 중심 도시를 샘플 출처 지역으로 선택했다.초병-1 VV, VH 이 두 가지 극화 방식에서의 후방 산란 강도는 건축 높이와 비교적 강한 관련성을 가지고 있으며 건축물 < 20m 시 선형에 가까운 관계(Koppel等，2017）。보초병 2호는 건축 기초 정보를 묘사하여 도시 3차원 구조의 추출을 비교적 잘 실현할 수 있다 (张澍，2023）。따라서 각 도시는 초병 1호, 초병 2호 영상을 데이터 소스로 한다.참고 고도 데이터는 고덕지도(［2025-04-02］）。고덕지도는 현지조사를 통해 중국의 많은 도시의 건축발자취를 수집하였는데 그 데터형식은 층수정보를 띤 벡터면요소이다.고덕 건축 윤곽 데이터의 층수가 검증되었고 RMSE는 1.190(Cao和Huang，2021) 레벨 수와 높이의 변환 관계를 통해 얻은 높이를 참조 높이로 사용할 수 있습니다.

2.1.2 GEE 플랫폼 기반 데이터 처리

GEE 포털은 2010년 말 위성 및 기타 보조 데이터, 클라우드 컴퓨팅 및 대량의 데이터를 비교적 쉽게 처리할 수 있는 알고리즘에 대한 액세스를 제공하는 지구 관측 연구를 위한 더 많은 기회를 제공합니다(Kumar和Mutanga，2018）。먼저 고덕건축윤곽데이터의 층수를 건축높이로 전환시켜 층당 3m로 계산한다(Zhou等，2014）。그런 다음 계산된 벡터 데이터를 처리하기 위해 GEE 플랫폼에 업로드하여 10m 해상도의 그리드로 변환합니다.이후 각 도시 고덕 건축 윤곽 데이터의 최소 포위 사각형 상자를 획득하여 사각형 상자 내 보초병 영상의 연간 합성값을 계산한다.초병 1호 영상은 이 VV, VH 총 두 가지 극화 방식에서의 후방 산란 강도를 포함하며, 연간 합성 형식은 평균치이다;초병 2호 영상은 이 B2, B3, B4, B8을 포함한 총 4개 대역으로 연간 합성 형식은 중간값이다.GEE 플랫폼 초병 2호 데이터는 방사선 보정과 대기 보정을 거쳐 대기 하단 반사율 데이터(BOA)를 생성하여 대기 산란과 흡수의 영향을 제거한다.또한 GEE는 센티넬 2호의'QA60'파단을 통해 클라우드 커버리지를 제거하는 클라우드 마스크 기능을 제공한다.마지막으로 처리된 영상 블록을 도시별로 다운로드하여 재단할 수 있도록 한다.

2.1.3 견본 재단과 품질 관리

재단할 때 신경망 입력 크기와 샘플 소음의 균형을 동시에 고려해야 한다.이론적으로 네트워크의 감수성은 깊이에 따라 커지지만 실제로"효과적인 감수성"(effective receptive field) 은 일반적으로 이론적 값보다 훨씬 작습니다 (Luo等，2017）。따라서 이미지 크기를 입력하면 글로벌 및 로컬 피쳐에 대한 네트워크 스냅 기능에 직접적인 영향을 줄 수 있습니다.입력 크기와 모델 성능 사이에는 간단한 관계가 없습니다 ("클수록 좋음"). 그러나 각 네트워크에는 가장 선호하는 입력 크기가 있습니다. 이 선택에 대한 가장 좋은 결과 (Richter等，2021）。알맞은 견본의 크기를 선택하는 것이 매우 중요하다는 것을 알 수 있다.비록 고덕지도에서 얻은 건축물고도수치는 현재 가장 믿음직한 공개래원이지만 일부 연구에 따르면 중국도시의 일부 지역에서는 대량의 건축물이 결핍하고있다 (Cao和Huang，2023）。그러므로 영상블록을 재단할 때 견본의 수량을 보장하는 상황에서 될수록 고덕건축윤곽데터를 비교적 많이 피복해야 한다.요약하면 이 문서는 CBRA (Liu等，2023) 데이터는 고덕 건축 데이터의 부족 여부를 판단하는 보조 기준으로 슬라이딩 창 재단 방식을 사용하여 영상 블록을 분할한다.CBRA는 중국 건물 지붕 데이터로 해상도가 2.5m로 건물 부재 여부를 판단하는 표준 데이터다.각 256 × 256 픽셀 격자에서 CBRA 데이터와 고덕 건축 데이터 격자에 대한 F1 점수를 볼륨과 비슷한 방식으로 계산하고 F1 점수가 35% 이상인 격자를 사용 가능한 샘플로 선택합니다.일부 샘플은 다음과 같습니다.Fig. 2와 같습니다.마지막으로 삼림과 수계와 같은 순수 이미지 쌍을 5: 1 비율로 데이터 세트에 추가하여 데이터 세트를 확장합니다.이러한 마이너스 샘플은 네트워크가 비 건축 특성을 더 잘 학습하고 샘플 수를 확장 할 수 있습니다.이 비율에 대한 융해 실험은 다른 비율 (예: 1: 1, 3: 1, 10: 1) 이나 이런 마이너스 샘플을 추가하지 않는 것에 비해 5: 1의 비율이 검증 세트에서 가장 좋은 모델 구분 성능을 얻었다는 것을 보여준다.감독 및 측정 학습 설정에서 "hard" 마이너스 샘플 (즉, 실제 마이너스 샘플) 은 모델이 학습 중에 오류를 더 빨리 수정하는 데 도움이 될 수 있습니다 (Robinson等，2021）。BHDSI 및 기타 빌딩 높이 데이터 세트 페어Table 1와 같습니다.도시당 BHDSI 데이터 세트의 샘플 수 (예:Table 2본 샘플의 커버리지는 36740 km²에 달하며 중국 지역에서 커버리지가 가장 큰 건축 높이 데이터 세트입니다.도시별로 구축된 BHDSI 구조는 확장성이 뛰어납니다.데이터 세트가 언제든지 새로운 데이터 샘플을 받아 새로운 지리적 영역으로 확장 할 수 있도록 허용합니다.새로운 데이터의 추가는 모델의 훈련 기초를 더욱 풍부하게 하거나 직접 테스트 세트로 삼아 서로 다른 환경에서의 모델의 일반화 능력과 응용 가치를 검증할 수 있다.이로부터 알수 있는바 BHDSI는 견본피복면적, 견본수량 및 개원성면에서 다소 두드러져 중국의 넓은 범위의 건축고도추정임무에 적응할수 있다.

Fig. 2 Sample instances of the BHDSI dataset

Table 1 Comparison of the BHDSI dataset with existing building height datasets

数据集	数据来源	分辨率	图像尺寸/像素	图像数目	是否开源	区域
Potsdam	https：//www.isprs.org/education/benchmarksUrbanSemLab/2d-sem-label-potsdam.aspx	5 cm	6000×6000	38	是	Potsdam
Vaihingen	https：//www.isprs.org/education/benchmarks/UrbanSemLab/2d-sem-label-vaihingen.aspx	9 cm	不同大小	33	是	Vaihingen
DFC 2023（Persello等，2023）	https：//www.grss-ieee.org/community/technical-committees/2023-ieee-grss-data-fusion-contest/	0.5 m	512×512	1773	是	17个城市
Northern hemispherebuilding dataset	Cao和Weng，2024	10 m	64×64	45000	是	中国、美国、欧洲
BHE dataset	Cai等，2023	10 m	256×256	3741	否	中国
BHDSI	本研究	10 m	256×256	5606	是	中国

Table 2 Number of samples of 62 cities in China

城市	样本数量	城市	样本数量	城市	样本数量	城市	样本数量
澳门	3	惠州	22	厦门	62	西安	104
保定	23	济南	79	汕头	20	西宁	16
北京	190	嘉兴	36	上海	342	香港	31
常州	72	金华	20	绍兴	33	徐州	33
成都	225	昆明	103	深圳	113	烟台	65
大连	165	拉萨	7	沈阳	165	扬州	13
东莞	98	兰州	27	石家庄	76	银川	12
鄂尔多斯	11	洛阳	27	苏州	103	长春	103
佛山广州	277	南昌	35	台州	26	长沙	98
福州	37	南京	128	太原	40	郑州	147
贵阳	54	南宁	62	唐山	35	中山	19
哈尔滨	76	南通	49	天津	96	重庆	199
海口	20	宁波	74	温州	51	珠海	20
杭州	124	青岛	150	无锡	79
合肥	91	泉州	38	芜湖	29
呼和浩特	14	三亚	29	武汉	176

2.2 BHDSI 데이터 세트 특징

BHDSI 데이터 세트는 딥 러닝을 위한 원격 감지 건물 높이 데이터 세트로 건물 높이 추정 작업을 지원하며 (1) 샘플 수가 많은 특징이 있습니다.이 글은 영상 블록을 재단할 때 슬라이딩 창 재단 방식을 사용하여 요구에 부합하는 샘플 영역을 더 많이 고려할 수 있어 더 많은 샘플을 얻을 수 있고 네트워크 훈련에 유리하다.(2) 건축의 높이 분포가 합리적이다.예Fig. 3이와 같이 본 데이터 세트의 건축 높이 분포는 광범위한 구간을 포괄하고 현실 도시 형태에 부합되는 특징을 보인다.대부분의 건물은 높이가 0-10m에 집중되어 도시 중저층 건물의 보편적인 존재를 반영하는데, 특히 주택가와 소형 상업지구에 있다.이와 동시에 비교적 높은 건축비례가 상대적으로 작지만 그 합리적인 분포는 데이터세트가 여러가지 건축류형을 포함할수 있고 데터의 다양성과 대표성을 보장할수 있다.이러한 높이 분포는 네트워크가 건축 높이의 변화 특징을 더욱 정확하게 포착하여 실제 도시 환경에서 각종 건축 높이의 추정에 적용하는 데 도움이 된다.(3) 범위가 넓다.BHDSI 데이터 세트는 256 × 256 픽셀의 샘플 크기로 넓은 영역 내의 건물과 환경 특성을 효과적으로 포착할 수 있는 광범위한 커버리지를 제공합니다.이 특징은 데이터 세트의 대표성을 강화할 뿐만 아니라 네트워크 훈련에 풍부한 지리와 공간 정보를 제공하여 복잡한 도시 환경과 서로 다른 건축 형태에 더욱 잘 적응할 수 있도록 한다.(4) 지리적 장면이 전면적으로 포괄된다.이 글에서 구축한 BHDSI 데이터 세트는 지리적 장면 커버리지에서 현저한 우세를 가지고 있으며, 도시 건설 구역, 도시와 농촌의 결합부 및 자연 경관 구역 등 다양한 지표 유형을 포함하고 있다. 상세히 보면Fig. 2. 이러한 광범위한 지리적 장면 범위는 서로 다른 환경에서의 건축 분포 특징을 충분히 고려하여 데이터 집합을 더욱 대표성을 가지게 한다.또한 이러한 다양한 지리적 특성은 대규모 지역 건축 높이 추정 임무에서 데이터 세트의 적용성을 향상시킬 뿐만 아니라 딥 러닝 모델에 더 풍부한 공간 정보를 제공하여 건축 높이 추정의 정확성과 일반화 능력을 한층 더 향상시켰다.

Fig. 3 Building height distribution of the BHDSI dataset

3 BHDSI 실험 데이터 및 분석

이 섹션에서는 동일한 U-Net(Ronneberger等，2015) 네트워크는 각각 BHDSI 데이터 세트와 논문(Cao和Weng，2024)에 게시된 중국 지역 데이터 세트는 동일한 네트워크 아키텍처에서 양자의 성과를 평가합니다.이와 함께 BHDSI 데이터 세트를 기반으로 딥러닝 기반 건물 높이 추정 방법을 추가로 평가한다.

3.1 실험 방법 설계

3.1.1 동일한 딥 러닝 네트워크에서 서로 다른 데이터 세트의 건물 높이 추정

이 절은 동일한 딥 러닝 네트워크 아키텍처를 사용하여 서로 다른 데이터 세트를 훈련하고 테스트함으로써 건물 높이 추정에서의 성과를 비교하고 데이터 세트 자체의 장점을 강조합니다.

이 문서에서는 U-Net 네트워크를 사용하여 두 데이터 세트를 실험합니다.U-Net은 다중 스케일 피쳐를 잘 포착하여 원격 영상의 분할 및 회귀에 사용되는 데이텀 모델로 자주 사용됩니다(孙逊等，2024；白倩等，2025）。두 데이터 세트는 본 연구의 BHDSI 데이터 세트 (초병 위성의 영상 및 건축 고도 진가 데이터 포함) 와Cao和Weng（2024）에서 발표한 중국 지역 건축 고도 데이터 세트, 즉 북반구 건축 고도 데이터 세트.이 두 데이터 세트는 같은 데이터 소스 (초병 1호와 초병 2호 원격 탐지 데이터) 와 같은 진가 높이 (고덕 건축 윤곽 데이터) 를 가지고 있으며 해상도도 같다.

3.1.2 다양한 딥 러닝 네트워크에서 BHDSI의 건물 높이 추정

일반적으로 VGG-16 또는 ResNet-50과 같은 범용 네트워크는 완전히 조정되어 더 복잡하고 특별한 회귀 모델에 도움을 청할 필요 없이 최첨단 수준에 가까운 결과를 얻을 수 있습니다 (Lathuilière等，2020）。

이 섹션에서는 BHDSI 데이터 세트를 사용하여 고전적인 분류 네트워크 및 분할 네트워크를 사용하여 건물 높이 예측을 수행합니다.이러한 네트워크에는 다음이 포함됩니다.Resnet（He等，2016), VGG 네트워크(Simonyan和Zisserman，2015），EfficientNet（Tan和Le，2020），UperNet（Xiao等，2018) 및 DeepLabV3(Chen等，2017）。이 중 Resnet, VGG 네트워크, EfficientNet은 분류 네트워크, UperNet, DeepLabV3는 분할 네트워크이다.회귀 문제에 대해 분할 네트워크는 수정할 필요가 없고 분류 네트워크는 디코더 부분을 수정해야 한다.기존 U-Net은 점프 연결을 통해 얕은 레이어와 깊은 피쳐를 융합하여 샘플링에 공간 정보를 제공합니다(张岩等，2024）。건물 높이 추정은 각 픽셀을 정확하게 예측하고, 볼륨을 옮겨 이미지 세부 사항을 층층이 복원하여 고해상도 출력을 확보해야 한다.또한 네트워크가 디코딩할 때 건물의 높이 분포에 적응하는 복잡한 특징을 학습하도록 훈련할 수 있어 복잡한 도시 환경에서의 높은 예측 정확성을 높일 수 있다.이 문서에서는 U-Net 디코더를 분류 네트워크의 디코더로 사용하여 변환 볼륨을 사용하여 샘플링하여 입출력 크기가 일치하는지 확인합니다.딥러닝 네트워크의 손실 함수는 균일 오차 (MSE) 를 사용하여 큰 오차를 처벌함으로써 네트워크의 예측 정밀도를 최적화하여 연속치 예측에 더 적합하게 만듭니다.

BHDSI 데이터 세트는 7: 3 비율로 훈련 세트와 테스트 세트로 구분됩니다.딥러닝 네트워크 훈련 과정에서 네트워크 볼륨 코어 가중치를 업데이트하기 위한 최적화기가 필요하다.Adam 최적화기는 적응형 학습률, 빠른 수렴, 노봉성이 강하고 희소한 그라데이션 문제를 처리하기에 적합하기 때문에 현재 매개변수의 그라데이션과 과거 그라데이션에 따라 모델 매개변수를 업데이트할 수 있습니다 (孙逊等，2024), 따라서 딥 러닝에서 널리 사용되어 훈련 효율성과 안정성을 효과적으로 향상시킬 수 있습니다.따라서 훈련할 때 최적화기는 Adam을 선택합니다.로트 크기는 16, 학습률은 0.0005로 설정하고 엔비디아 Quadro P2000 그래픽에서 훈련을 마칩니다.

3.1.3 정밀도 평가 지표 선택

이 글은 건축 높이 추정에서 서로 다른 데이터 세트와 딥 러닝 네트워크의 정밀도 표현을 포괄적으로 평가하기 위해 균일 방근 오차 (RMSE), 평균 절대 오차 (MAE) 및 임계값 정확도 (Threshold Accuracy) 3 가지 지표를 선택합니다.RMSE와 MAE를 사용하면 동일한 딥 러닝 네트워크에서 서로 다른 데이터 세트의 비교에 대해 데이터 세트의 기초 정밀도를 효과적으로 평가하고 모델 구조가 결과에 미치는 영향을 피할 수 있으므로 데이터 세트 자체의 특징 표현에 더 집중할 수 있습니다.서로 다른 딥러닝 네트워크의 대비에는 임계값 정확성 지표를 추가하여 주어진 오차 범위 내에서의 모델의 정확성을 측정하여 각 네트워크의 건축 높이 추정 임무에서의 성능 차이를 더욱 세밀하게 분석하고 모델의 응용 효과를 전면적으로 구현할 수 있다.균방근 오차 RMSE(Root Mean Square Error)는 예측치와 실제치의 차이를 계산하는 균방근을 통해 예측오차의 전체 수준을 종합적으로 반영할 수 있다.평균 절대오차 MAE(Mean Absolute Error)는 예측치와 실제치의 차이 절대값의 평균으로 오차의 평균 크기를 반영한다.임계값 정확성은 주어진 오차 범위 내에서 계산 예측치와 실제 값의 차이가 이 범위의 샘플 비율보다 작다.RMSE는 큰 오차에 더 민감하며, MAE는 전체 오차에 주목하며, 임계값 정확성은 특정 정밀도 요구에서 모델의 표현을 나타낸다.이 세 가지 지표의 공식은 다음과 같습니다.

식에서는 N가 총 픽셀 수입니다.、샘플 i의 높이 예측 값과 높이 참 값, I (⋅) 는 괄호 안의 조건이 성립될 때 값을 1로 하고 그렇지 않으면 값을 0으로 하는 지시 함수입니다.임계값 정확성예측 건축 높이와 참조 건축 높이의 상대적 오차가 주어진 임계값 범위 내에서 제어되는 픽셀 비율을 나타냅니다.RMSE와 MAE가 전체 오차폭을 반영하는 것과 달리특정 정밀도 요구사항에서 모델의 예측 기준 도달 능력을 구별하는 데 사용됩니다.

3.2 실험 결과 및 분석

3.2.1 U-Net 네트워크에서 서로 다른 데이터 세트의 건축 높이 추정 정밀도 비교

U-Net 네트워크에서 서로 다른 데이터 세트의 건물 높이 추정 정밀도 비교 실험 결과Table 3와 같습니다.가시성: BHDSI 데이터 세트의 RMSE는 5.982m, MAE는 2.485m인 반면,Cao和Weng（2024）연구에서 중국 지역 데이터 세트 RMSE는 6.319m, MAE는 3.196m로 BHDSI 데이터 세트가 약간 우수한 것으로 나타났다.연구에 따르면 감각야의 공간 범위를 확대하면 모델 성능을 효과적으로 향상시킬 수 있습니다 (Michail等，2025）。예Fig. 4이와 같이 BHDSI 데이터 세트는 256 × 256 픽셀 영상 블록을 사용하여 더 큰 공간 척도에서 더 풍부한 지리 정보를 제공할 수 있으며, 네트워크가 더 포괄적인 건축 텍스처와 공간 특징을 포착할 수 있도록 보장함으로써 건축 높이 추정의 정밀도를 향상시킬 수 있다.640m×640m 또는 기타 더 작은 척도의 견본에 비해 본 연구의 설계는 공간정보의 완전성을 보장하는 동시에 계산효률과 모형성능을 고루 돌보아 건축고도추정에 더욱 우수한 데터지원을 제공하였다.Cao和Weng（2024）연구 중의 데이터 세트 샘플은 64 × 64로 작기 때문에 네트워크 특징 추출 능력이 제한되어 복잡한 건축물 정보를 충분히 포착할 수 없다.또한 BHDSI 데이터 세트는 샘플이 커서 발생하는 노이즈로 인해 일반화 성능에 어느 정도 영향을 미칠 수 있지만 실험 결과는 노이즈가 적은 샘플 데이터 세트보다 전반적으로 우수하다는 것을 보여줍니다.

Table 3 Experimental results of two datasets

数据集	样本大小/像素	样本数量	RMSE/m	MAE/m
Northern Hemisphere Building Dataset（Cao和Weng，2024）	64×64	15000	6.319	3.196
Building Height Estimation Dataset Based on Sentinel Imagery （BHDSI）	256×256	5606	5.982	2.485

Fig. 4 Comparison of different sample sizes

3.2.2 다양한 딥 러닝 네트워크에서 BHDSI의 건물 높이 추정 정밀도 비교

건물 높이 전체 측정 정밀도Table 4와 같습니다.가시적: VGG-Unet 네트워크는 RMSE가 5.873m이고 MAE가 2.173m로 다른 네트워크보다 현저하게 우수하여 VGG16 주간 네트워크가 건축 고도 회귀에서 특징 추출 능력이 비교적 강하다는 것을 나타낸다.Efficient-Unet은 RMSE가 5.948m, MAE가 2.146m로 그 뒤를 이어 복잡한 지물 정보와 대규모 데이터 세트를 처리할 때 EfficientNetb3의 유효성을 보여주었습니다.Res-Unet의 RMSE는 5.988m와 MAE는 2.443m로 VGG-Unet과 Efficient-Unet에 조금 못 미치지만 비교적 안정적인 건축 높이 추정 능력을 갖추고 있다.UperNet과 DeepLabV3의 RMSE와 MAE는 모두 앞에서 서술한 네트워크보다 높으며 특히 DeepLabV3의 오차가 상대적으로 커서 특징 추출 전략과 관련이 있을 수 있다.또한 네트워크별로 임계값 정확도 차이가 적지만 네트워크별값이 보편적으로 낮다.통계에 따르면 5가지 네트워크는、그리고이 3개 지표상의 평균치는 각각 0.137, 0.270, 0.403에 불과하다.가장 잘 표현된 VGG-Unet조차도 가장 느슨한 임계값에서아래도 0.461에 불과하다.이는 각 네트워크의 예측치가 상대적으로 오차가 크고 예측결과와 진실치 사이의 격차가 비교적 뚜렷함을 보여준다.

Table 4 Experimental results of BHDSI dataset on various network models

网络形式	网络主干	解码器	RMSE/m	MAE/m
Res-Unet	ResNet50	Unet	5.988	2.443	0.143	0.293	0.443
VGG-Unet	VGG16	Unet	5.873	2.173	0.165	0.322	0.461
Efficient-Unet	EfficientNetb3	Unet	5.948	2.146	0.158	0.295	0.425
UperNet	ResNet50	FPN	6.224	2.440	0.125	0.249	0.383
DeepLabV3	ResNet50	ASPP	6.720	2.604	0.095	0.190	0.301

딥러닝 네트워크에서 메인 네트워크는 입력 이미지에서 다자도 특징을 추출하여 원본 이미지를 더 높은 차원의 특징 표현으로 변환하고, 디코더는 샘플링이나 변환 볼륨을 통해 특징도를 입력과 같은 해상도의 출력으로 재구성하여 최종 예측 결과를 생성하는 데 사용한다.주요 네트워크는 특징 추출에 치중하고, 디코더는 정보 재건에 치중하며, 양자는 입력에서 출력에 이르는 완전한 예측 과정을 공동으로 실현한다.다양한 유형의 디코더가 분류, 회귀와 같은 다양한 문제에 대해 현저한 차이를 나타냅니다 (Wojna等，2019）。U-Net 디코더는 건물 높이 회귀 작업에서 확실한 이점을 보여줍니다.이에 비해 UperNet과 DeepLabV3는 특징 피라미드와 다자도 정보 융합에 더 많은 샘플링 정책을 사용합니다 (Xiao等，2018）（Chen等，2017), 이러한 방법은 의미 분할 등 분류 임무에서 뛰어나지만 회귀 임무에서 건축물의 세부 정보를 보존하기 어려워 추정 오차가 증가한다.

U-Net 디코더가 적용된 3가지 네트워크, 즉 VGG-Unet, Efficient-Unet, Res-Unet은 서로 다른 인코더가 특징 추출에 있어서의 차이를 보여준다.VGG-Unet은 분류에 적합한 권적 신경망으로서 구조가 간결하고 여러 개의 3 × 3의 작은 권적 핵과 최대 풀화 층을 쌓음으로써 네트워크 깊이와 비선형 능력을 효과적으로 증가시키고 특징 추출 및 분류 능력을 향상시킬 수 있습니다 (胡坤等，2024）。여러 개의 작은 볼륨 코어의 직렬 연결은 큰 볼륨 코어보다 더 유리하며, 더 복잡한 특징을 학습할 수 있으며, 서로 다른 이미지 데이터에서 좋은 일반화 성능을 보여줄 수 있다.VGG16 피쳐 추출 능력 향상(赵兴旺等，2024), 특히 디테일 스냅 및 구조 피쳐에서 우수한 저차원 피쳐를 효과적으로 추출할 수 있습니다.Efficient-Unet은 다중 해상도 볼륨 정책 및 적은 매개변수 양(Tan和Le，2020)를 사용하면 대규모 데이터 세트에 대한 일반화 능력이 향상됩니다.Res-UNet은 잔차 구조로 인해 비교적 좋은 심층 특징 추출 능력과 훈련 안정성을 가지고 있으며, 비록 성능이 앞의 두 가지보다 약간 뒤떨어지지만 여전히 안정적인 회귀 효과를 보여주고 있다.

실험에 따르면 네트워크의 인코더 특징 추출 능력과 디코더 설계는 건축 고도 회귀에서 모두 중요한 역할을 발휘했다.변환 볼륨을 사용하는 U-Net 디코더는 특히 회귀 작업에 적합하며, 서로 다른 인코더의 특징 추출 차이는 미래의 네트워크 설계 및 적용에 방향을 제공합니다.이러한 결과는 후속 연구에서 다양한 작업 요구 사항에 적합한 네트워크 아키텍처를 선택할 수 있는 강력한 근거를 제공합니다.

이 연구는 테스트 세트에서 각 네트워크의 전체 정밀도를 비교하는 것 외에도 테스트 세트의 다양한 높이 구간에 대한 세그먼트 RMSE를 집계했습니다. 예를 들어Fig. 5와 같습니다.이로부터 알수 있는바 5가지 부동한 네트워크가 부동한 고도구간에서의 건축높이추정정밀도 추세는 기본적으로 일치하다.여기서 모든 네트워크는 낮은 높이 구간 (예: 0-3m, 3-12m) 에서 균방근 오차 (RMSE) 가 적고 예측 정밀도가 높습니다.그러나 고도가 높아지면서 RMSE는 점점 커졌고, 특히 60m 이상 고도 구간에서는 오차가 눈에 띄게 높아졌다.이는 높은 건물 높이 예측에서 네트워크의 복잡성이 증가하여 정밀도가 떨어졌음을 나타냅니다.

Fig. 5 Binned RMSE and MAE of building height

이 밖에 네트워크별 표현 차이가 크지 않아 모든 네트워크의 오차곡선이 매우 비슷한 추세를 보였다.이는 현재의 고도의 추정 연구에서 네트워크 아키텍처가 각 고도의 세그먼트 예측 정밀도에 현저한 영향을 미치는 요소가 아님을 나타냅니다.서로 다른 네트워크의 세부 사항은 다를 수 있지만 높은 추정치에서의 성능은 거의 일치하며 네트워크형 정밀도를 더 높이려면 데이터나 특징 선택에 최적화해야 할 수도 있습니다.

본고는 훈련된 네트워크 모델을 사용하여 상하이시, 베이징시의 일부 샘플을 선택하여 예측함으로써 예측 결과의 공간적 세부 차이를 더욱 파악하고자 한다.예측 결과Fig. 6그리고Fig. 7와 같습니다.

Fig. 6 Building height prediction results of five models in Shanghai

Fig. 7 Building height prediction results of five models in Beijing

이로부터 알수 있는바 건축이 비교적 많은 도시구역이든 건축이 비교적 적은 농촌지역이든 사용하는 네트워크모형은 모두 그 탁월한 식별능력을 보여주었다.이 결과는 네트워크가 각종 건축물의 위치를 정확하게 정할 수 있을 뿐만 아니라 그 구조의 높이를 효과적으로 예측할 수 있다는 것을 증명하며, 모델이 직접적인 경험이 없는 새로운 환경에서 그 성능을 유지할 수 있는 강력한 일반화 능력을 가지고 있음을 나타낸다.DeepLabV3와 UperNet 네트워크는 건물 높이 예측에서 모호하고 건물의 윤곽과 높이 세부 사항이 명확하지 않습니다.이 네트워크들은 고도의 가장자리 지역에서 처리가 좋지 않고 예측 결과가 산란하여 정밀도가 낮다.이러한 현상은 이러한 네트워크가 고도의 정보를 추출할 때 디테일에 대한 포착 능력이 부족하기 때문일 수 있으며, 특히 복잡한 건물 구조의 경우 비교적 큰 예측 오차를 보였다.

이에 비해 Efficient-Unet, Res-Unet, VGG-Unet 등 다른 네트워크는 예측에서 더 잘 나타났고 건축물의 윤곽이 더욱 뚜렷해졌으며 예측고도의 분포가 비교적 련속되였다.이러한 네트워크는 건축물 높이의 변화를 더욱 정확하게 포착할 수 있고 건축물의 기하학적 형태에 비교적 좋은 적응성을 나타낼 수 있다.이로부터 알수 있는바 이런 네트워크는 원격감지영상을 처리하여 건축물높이예측임무를 진행하는데 있어서 더욱 좋은 표현이 있으며 특히 세부예측과 비교적 높은 건축물의 높이추정에서 비교적 높은 정밀도를 보여주었다.

본 연구에서 제시한 건축 고도 예측 모델의 정밀도를 검증하기 위해 2020년 중국 최초의 10m 해상도 전국 건축 고도 그리드 데이터 세트(CNBH-10m)를 선택한다(Wu 等，2023) 를 기준으로 비교 분석합니다.이 데이터 세트는 레이더, 광학 및 야광 원격 감지 영상 등 다원적 데이터를 융합하여 혁신적으로 다중 창 통계 방법을 채택하여 음영 효과의 영향을 효과적으로 제거하고 랜덤 포리스트 RF (Random Forest) 기계 학습 알고리즘을 기반으로 최적화 모델을 구축하여 전국 척도의 건축 고도의 정확한 반전을 실현했다.본 연구의 예측 결과와 CNBH-10m 데이터 세트의 비교 분석 결과는 다음과 같다.Fig. 8와 같이 공간 쌍은 다음과 같습니다.Fig. 9와 같습니다.

Fig. 8 Comparison of predicted and actual building heights for two datasets in Beijing

Fig. 9 Spatial comparison between CNBH-10 m building height data and predicted results from this study

정량 정밀도 평가에 따르면 본 연구에서 제시한 건축 높이 예측 모델은 CNBH-10m 데이터 세트에 비해 현저한 정밀도 우위를 나타낸다(Fig. 8）。지상 실측 데이터와 비교했을 때 CNBH-10m의 균방근 오차(RMSE)는 15.561m에 달하지만, 본 연구 예측 결과의 RMSE는 9.043m로 낮아지고 오차는 41.9%(Fig. 9）。그 결과 BHDSI 데이터 세트는 건물 높이 추정 작업에서 공간 일치도가 더 높고 고층 건물 밀집 지역에서 더 우수한 세부 묘사 능력을 보여준다.이러한 개선은 BHDSI 데이터 세트의 적용성과 이점을 더욱 공고히 하여 건물 높이 추정 분야에서의 응용 가치를 강력하게 뒷받침한다.

3.3 데이터 획득 및 현금화 지침

이 문서에서 제시한 BHDSI 데이터 세트는 오픈 소스이며 독자는 다음을 수행할 수 있습니다.[2025-04-02] 링크는 액세스 및 다운로드에 사용됩니다.데이터 세트의 각 샘플에는 초병 1호, 초병 2호 원격 감지 영상과 대응하는 건축 높이 라벨, 그리고 재단에 사용되는 CBRA 데이터가 포함되어 있으며, 영상 크기는 256 × 256 픽셀이며, 통일적으로 GeoTIFF 형식으로 제공되며, 모두 조준 및 표준화 재단 처리를 완료하였다.

또한 상술한 링크에는 완전한 데이터 사전 처리 프로세스, 훈련 샘플 생성 스크립트와 기준 네트워크의 평가 코드가 포함되어 있으며, 연구원들은 본고에서 설명한 실험 프로세스와 모델 평가 결과를 직접 재현하여 데이터 세트의 실용성과 연구 작업의 중복성을 높일 수 있다.

4 결론

이 글은 중국 62개 도시 중심 도시의 초병 1호와 초병 2호 원격 감지 영상을 바탕으로 5606점의 고해상도 이미지를 포함한 건축 고도 데이터 세트 BHDSI를 구축했다.BHDSI는 같은 유형의 데이터 세트에 비해 견본량이 많고 커버리지가 넓으며 비교적 큰 감수성을 갖추고 있어 건물 높이의 다양성과 세부 특징을 더 잘 포착할 수 있으며 같은 네트워크에서 건물 높이를 훈련하는 RMSE는 0.3m 낮아져 정밀도가 크게 향상됐다.ResNet, VGG, EfficientNet, UperNet, DeepLabV3를 포함한 여러 네트워크의 비교 실험 결과, U-Net 디코더를 사용하는 네트워크는 이 데이터 세트에서 모두 비교적 좋은 모습을 보였고, RMSE는 평균 0.4m 낮아졌으며, 이 중 VGG16-Unet이 가장 좋은 모습을 보였으며, 다른 Unet 디코더 낮은 공간 예측과 더 낮은 세부 사항을 보였다.BHDSI는 건축 높이 추정 분야에 풍부한 데이터 지원을 제공할 수 있으며, 도시 관리 통제가 용지 관리 통제에서 규모 관리 통제로 전환되고, 도시 갱신 등 응용에 서비스되도록 추진할 수 있다.

미래 연구는 BHDSI 데이터 세트를 기반으로 더 높은 정밀도 건축 높이 추정 방법 연구를 진행할 것이며, 중점은 서로 다른 건축 유형과 복잡한 도시 장면에 대한 모델의 적응 능력 향상, 시스템 평가 모델의 지역 간 일반화 성능 및 시간 시퀀스 원격 감지 영상과 결합하여 건축 높이의 동적 변화 모니터링을 진행하는 것을 포함한다.

References

1.
Bai Q, Luo X B and Mu S L. 2025. Surface water extraction from high-resolution remote sensing images based on TA-UNet3+. Computer Engineering and Applications, 61(13): 245-255
2.
Cai B W, Shao Z F, Huang X, Zhou X C and Fang S H. 2023. Deep learning-based building height mapping using Sentinel-1 and Sentinel-2 data. International Journal of Applied Earth Observation and Geoinformation, 122: 103399
3.
Cao Y X and Huang X. 2021. A deep learning method for building height estimation using high-resolution multi-view imagery over urban areas: a case study of 42 Chinese cities. Remote Sensing of Environment, 264: 112590
4.
Cao Y X and Huang X. 2023. A full-level fused cross-task transfer learning method for building change detection using noise-robust pretrained networks on crowdsourced labels. Remote Sensing of Environment, 284: 113371 [DOI:
5.
Cao Y X and Weng Q H. 2024. A deep learning-based super-resolution method for building height estimation at 2.5m spatial resolution in the Northern Hemisphere. Remote Sensing of Environment, 310: 114241
6.
Chen L C, Papandreou G, Schroff F and Adam H. 2017. Rethinking atrous convolution for semantic image segmentation. arXiv:1706.05587
7.
Feng Q L, Chen B A, Li G Q, Yao X C, Gao B B and Zhang L C. 2022. A review for sample datasets of remote sensing imagery. National Remote Sensing Bulletin, 26(4): 589-605
8.
He K M, Zhang X Y, Ren S Q and Sun J. 2016. Deep residual learning for image recognition//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE: 770-778
9.
Hu K, Wu G Q, Hu Z H and Wang Z M. 2024. Metal surface defect image classification based on improved VGG16 network. Computer Applications and Software, 41(6): 175-180
10.
Koppel K, Zalite K, Voormansik K and Jagdhuber T. 2017. Sensitivity of Sentinel-1 backscatter to characteristics of buildings. International Journal of Remote Sensing, 38(22): 6298-6318
11.
Kumar L and Mutanga O. 2018. Google earth engine applications since inception: usage, trends, and potential. Remote Sensing, 10(10): 1509
12.
Lathuilière S, Mesejo P, Alameda-Pineda X and Horaud R. 2020. A comprehensive analysis of deep regression. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(9): 2065-2081
13.
Liu Z P, Tang H, Feng L and Lyu S. 2023. China Building Rooftop Area: the first multi-annual (2016-2021) and high-resolution (2.5 m) building rooftop area dataset in China derived with super-resolution segmentation from Sentinel-2 imagery. Earth System Science Data, 15(8): 3547-3572
14.
Luo W J, Li Y J, Urtasun R and Zemel R. 2017. Understanding the effective receptive field in deep convolutional neural networks. arXiv:1701.04128
15.
Michail D, Davalas C, Panagiotou L I, Prapas I, Kondylatos S, Bountos N I and Papoutsis I. 2025. FireCastNet: earth-as-a-graph for seasonal fire prediction. arXiv:2502.01550
16.
Persello C, Hänsch R, Vivone G, Chen K Q, Yan Z Y, Tang D K, Huang H, Schmitt M and Sun X. 2023. 2023 IEEE GRSS data fusion contest: large-scale fine-grained building classification for semantic urban reconstruction [Technical Committees]. IEEE Geoscience and Remote Sensing Magazine, 11(1): 94-97
17.
Richter M L, Byttner W, Krumnack U, Wiedenroth A, Schallner L and Shenk J. 2021. (Input) size matters for CNN classifiers//30th International Conference on Artificial Neural Networks and Machine Learning. Bratislava: Springer: 133-144
18.
Robinson J, Chuang C Y, Sra S and Jegelka S. 2021. Contrastive learning with hard negative samples. arXiv:2010.04592
19.
Ronneberger O, Fischer P and Brox T. 2015. U-Net: convolutional networks for biomedical image segmentation//18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich: Springer: 234-241
20.
Simonyan K and Zisserman A. 2015. Very deep convolutional networks for large-scale image recognition. arXiv:1409.1556
21.
Sun X, Zhu M N, Song J L, Liu Y and Zhang S X. 2024. Water body recognition by remote sensing images based on CBAM and Unet. Environmental Science Survey, 43(5): 91-96
22.
Tan M X and Le Q V. 2020. EfficientNet: rethinking model scaling for convolutional neural networks. arXiv:1905.11946
23.
Wojna Z, Ferrari V, Guadarrama S, Silberman N, Chen L C, Fathi A and Uijlings J. 2019. The devil is in the decoder: classification, regression and GANs. International Journal of Computer Vision, 127(11/12): 1694-1706
24.
Wu W B, Ma J, Banzhaf E, Meadows M E, Yu Z W, Guo F X, Sengupta D, Cai X X and Zhao B. 2023. A first Chinese building height estimate at 10 m resolution (CNBH-10 m) using multi-source earth observations and machine learning. Remote Sensing of Environment, 291: 113578
25.
Xiao T T, Liu Y C, Zhou B B, Jiang Y N and Sun J. 2018. Unified perceptual parsing for scene understanding. arXiv:1807.10221
26.
Zhang L P, Xia G S, Wu T F, Lin L and Tai X C. 2016. Deep learning for remote sensing image understanding. Journal of Sensors, 2016: 1-2
27.
Zhang S. 2023. Urban building area extraction by fusing Sentinel-1 and Sentinel-2 remote sensing data//2022/2023 China Urban Planning Annual Conference. Wuhan
28.
Zhang Y, Meng D C, Song L W and Dong H L. 2024. Seismic velocity inversion method based on feature enhancement U-Net. Oil Geophysical Prospecting, 59(2): 185-194
29.
Zhao X W, Wu Z G, Liu C, Liu C Y and Chen J. 2024. Research on building extraction based on CBAM VGG16-UNet semantic segmentation model. Journal of Qiqihar University (Natural Science Edition), 40(3): 34-40
30.
Zhou C B, Wang Z Q, Chen Q Y, Jiang Y and Pei J J. 2014. Design optimization and field demonstration of natural ventilation for high-rise residential buildings. Energy and Buildings, 82: 457-465

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website