Anterior|Próximo

Método de extração com adaptação de domínio para edifícios em imagens de sensoriamento remoto guiado por informações a priori de forma e localização

  • role： First author第一作者
  • Affiliation：

    School of Geosciences and Info-Physics, Central South University, Changsha 410083, China

  • Email：zsx2020@csu.edu.cn
  • Introduction：赵绍轩，研究方向为遥感影像智能解译。E-mail：zsx2020@csu.edu.cn
ZHAO Shaoxuan1,  
  • Affiliation：

    School of Geosciences and Info-Physics, Central South University, Changsha 410083, China

ZHOU Xiaoguang1,  
  • role： Corresponding author通信作者
  • Affiliation：

    School of Geosciences and Info-Physics, Central South University, Changsha 410083, China

  • Email：houdongyang1986@csu.edu.cn
  • Introduction：侯东阳，研究方向为时空数据检索、挖掘与群智更新。E-mail：houdongyang1986@csu.edu.cn
HOU Dongyang1*,  
  • Affiliation：

    Hunan Engineering Research Center of 3D Real Scene Construction and Application Technology, Changsha 410000, China

    The First Surveying and Mapping Institute of Hunan Province, Changsha 410000, China

GUO Jing23,  
  • Affiliation：

    Hunan Engineering Research Center of 3D Real Scene Construction and Application Technology, Changsha 410000, China

    The First Surveying and Mapping Institute of Hunan Province, Changsha 410000, China

LIU Huaguang23

Resumo

O aprendizado profundo oferece um método eficaz para a extração de edifícios em imagens de sensoriamento remoto, mas quando a distribuição dos dados de treinamento (domínio de origem) e dos dados de teste (domínio alvo) são diferentes, a aplicação direta do modelo treinado somente no domínio de origem no domínio alvo resulta em uma queda significativa na precisão. O método de extração com adaptação de domínio para edifícios pode superar as diferenças na distribuição de dados entre domínios e melhorar a capacidade de reconhecimento de informações de edifícios em diferentes ambientes. Devido à dificuldade de obtenção de etiquetas do domínio alvo e ao alto custo de anotação na extração com adaptação de domínio para edifícios, e ao fato de que os métodos atuais não aproveitam totalmente as características invariantes dos edifícios para fornecer uma restrição de consistência entre domínios, este artigo propõe um método de extração com adaptação de domínio para edifícios em imagens de sensoriamento remoto guiado por informações a priori de forma e localização. Primeiro, são extraídos automaticamente os pontos de canto dos edifícios do domínio alvo utilizando uma combinação do índice de edifícios, método de Harris e outros métodos, e, com auxílio de métodos morfológicos de imagem, são extraídas as bordas dos edifícios etiquetados do domínio de origem como informações a priori de forma para ambos os domínios. Em seguida, é projetado um método de extração de informações a priori de localização baseado em transformação gaussiana, convertendo os objetos OSM do domínio alvo e os objetos etiquetados do domínio de origem em informações a priori de localização de domínios duplos. Por fim, utiliza-se a informação a priori de forma mencionada para construir uma função de perda de forma, fornecendo simultaneamente restrições de treinamento para os alvos de edifícios em ambos os domínios, e as informações a priori de localização de domínios duplos são sobrepostas como um canal adicional independente para compor uma entrada de 4 canais, enriquecendo as informações dos edifícios do domínio alvo, e é projetado um modelo de extração com adaptação de domínio para edifícios baseado em aprendizado adversarial, AU_AdaptNet. Os resultados experimentais mostram que o índice IoU do método proposto melhora em 15% em relação ao modelo base sem adaptação de domínio, em 6% em relação ao modelo de adaptação de domínio sem orientação por informações a priori, e mesmo na ausência de dados OSM no domínio alvo, a precisão da extração de adaptação de domínio para edifícios pode ser melhorada apenas com a orientação da informação a priori de forma, e que em condições de baixa integridade dos dados OSM do domínio alvo, também é possível obter resultados semelhantes aos métodos de adaptação de domínio semi-supervisionados que utilizam etiquetas de alta qualidade do domínio alvo.

Palavras-chave

Extração de edifícios; Adaptação de domínio; Imagens de sensoriamento remoto; Informação a priori; OSM

References

  1. 1.
    Basak H and Yin Z Z. 2023. Semi-supervised domain adaptive medical image segmentation through consistency regularized disentangled contrastive learning//Proceedings of 26th International Conference on Medical Image Computing and Computer Aisted Intervention – MICCAI 2023. Vancouver: Springer: 260-270
  2. 2.
    Canny J. 1986. A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-8(6): 679-698
  3. 3.
    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
  4. 4.
    Chen J W, Li Y, Chen J and Zhang H Q. 2024. Building extraction method based on MFF-Deeplabv3+ network for high-resolution remote sensing images. Journal of University of Chinese Academy of Sciences, 41(5): 654-664
  5. 5.
    Cote M and Saeedi P. 2013. Automatic rooftop extraction in nadir aerial imagery of suburban regions using corners and variational level set evolution. IEEE Transactions on Geoscience and Remote Sensing, 51(1): 313-328
  6. 6.
    Du P J. 2020. Progress of high resolution remotely sensed image progressing and urban application examples. Modern Surveying and Mapping, 43(1): 1-9
  7. 7.
    Fan C N, Liu P, Xiao T, Zhao W and Tang X L. 2021. A review of deep domain adaptation: general situation and complex situation. Acta Automatica Sinica, 47(3): 515-548
  8. 8.
    Gerke M. 2014. Use of the stair vision library within the ISPRS 2D semantic labeling benchmark (Vaihingen)[EB/OL]. .
  9. 9.
    Harris C and Stephens M. 1988. A combined corner and edge detector//Proceedings of the 4th Alvey Vision Conference. Manchester: 147-151HuangX and ZhangL P. 2011. A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery. Photogrammetric Engineering and Remote Sensing, 77(7): 721-732
  10. 10.
    Ji S P, Wei S Q and Lu M. 2019. Fully convolutional networks for multisource building extraction from an open aerial and satellite imagery data set. IEEE Transactions on Geoscience and Remote Sensing, 57(1): 574-586
  11. 11.
    Kaiser P, Wegner J D, Lucchi A, Jaggi M, Hofmann T and Schindler K. 2017. Learning aerial image segmentation from online maps. IEEE Transactions on Geoscience and Remote Sensing, 55(11): 6054-6068
  12. 12.
    Kang L, Wang Q and Yan H W. 2018. Building extraction based on OpenStreetMap tags and very high spatial resolution image in urban area. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-3: 715-718
  13. 13.
    Li D R. 2018. Brain cognition and spatial cognition: on integration of geo-spatial big data and artificial intelligence. Geomatics and Information Science of Wuhan University, 43(12): 1761-1767
  14. 14.
    Li Z, Sui Z W, Fu Q Y, Zheng J J and Bu T. 2023. High-resolution remote sensing extraction of urban buildings based on morphological sequences and multi-source a priori information. National Remote Sensing Bulletin, 27(4): 998-1008
  15. 15.
    Liu H B, Qu Y J, Yan Q S and Deng F. 2023. The method of variable scale mesh primitive extraction for monomeric and structural reconstruction of buildings. Acta Geodaetica et Cartographica Sinica, 52(11): 1953-1961
  16. 16.
    Liu Y, Zhang Y J, Ao Y, Jiang D L and Zhang Z R. 2024. Building extraction from remote sensing images via the multiscale information fusion method under the Transformer architecture. National Remote Sensing Bulletin, 28(12): 3173-3183
  17. 17.
    Long L H, Zhu Y T, Yan J W, Liu J J and Wang Z Y. 2023. New building extraction method based on semantic segmentation. National Remote Sensing Bulletin, 27(11): 2593-2602
  18. 18.
    Maggiori E, Tarabalka Y, Charpiat G and Alliez P. 2017. Can semantic labeling methods generalize to any city? the inria aerial image labeling benchmark//2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Fort Worth: IEEE: 3226-3229
  19. 19.
    Peng D F, Guan H Y, Zang Y F and Bruzzone L. 2022. Full-level domain adaptation for building extraction in very-high-resolution optical remote-sensing images. IEEE Transactions on Geoscience and Remote Sensing, 60: 1-17
  20. 20.
    Shi L K, Wang Z Y, Pan B and Shi Z W. 2021. An end-to-end network for remote sensing imagery semantic segmentation via joint pixel- and representation-level domain adaptation. IEEE Geoscience and Remote Sensing Letters, 18(11): 1896-1900
  21. 21.
    Sun J Y, Huang Z J, Zhou S G, Xu N, Qian H M and Wang C L. 2017. Building outline vectorization from high spatial resolution imagery. National Remote Sensing Bulletin, 21(3): 396-405
  22. 22.
    Tasar O, Giros A, Tarabalka Y, Alliez P and Clerc S. 2021. DAugNet: unsupervised, multisource, multitarget, and life-long domain adaptation for semantic segmentation of satellite images. IEEE Transactions on Geoscience and Remote Sensing, 59(2): 1067-1081
  23. 23.
    Tsai Y H, Hung W C, Schulter S, Sohn K, Yang M H and Chandraker M. 2018. Learning to adapt structured output space for semantic segmentation//Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE: 7472-7481
  24. 24.
    Viana C M, Encalada L and Rocha J. 2019. The value of OpenStreetMap historical contributions as a source of sampling data for multi-temporal land use/cover maps. ISPRS International Journal of Geo-Information, 8(3): 116
  25. 25.
    Von Gioi R G, Jakubowicz J, Morel J M and Randall G. 2010. LSD: a fast line segment detector with a false detection control. IEEE transactions on pattern analysis and machine intelligence, 32(4): 722-732
  26. 26.
    Wang J, Yang X C, Qin X B, Ye X and Qin Q M. 2015. An efficient approach for automatic rectangular building extraction from very high resolution optical satellite imagery. IEEE Geoscience and Remote Sensing Letters, 12(3): 487-491
  27. 27.
    Wei D S and Zhou X G. 2019. Automatic sampling of remote sensing image change detection samples based on prior information of vector data. National Remote Sensing Bulletin, 23(3): 464-475
  28. 28.
    Woo S, Park J, Lee J Y and Kweon I S. 2018. CBAM: convolutional block attention module//Proceedings of 15th European Conference on Computer Vision – ECCV 2018. Munich: Springer: 3-19
  29. 29.
    Yan W H, Qian Y Q, Li Y Y, Wang C X and Yang M. 2024. SS-ADA: a semi-supervised active domain adaptation framework for semantic segmentation. arXiv preprint arXiv: 2407.12788
  30. 30.
    YanX F, YuanT, YangM, KongB and LiuP C. 2022. An adaptive building simplification approach based on shape analysis and representation. Acta Geodaetica et Cartographica Sinica, 51(2): 269-278
  31. 31.
    Yang H L, Makkar N, Laverdiere M and Rose A. 2024. Boundary-aware adversarial learning domain adaption and active learning for cross-sensor building extraction. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 17: 9122-9138
  32. 32.
    Yang M W, Zhao L K, Ye L F, Jiang H W and Yang Z. 2024. A review of convolutional neural networks related methods for building extraction from remote sensing images. Journal of Geo-information Science, 26(6): 1500-1516
  33. 33.
    Yiming T, Tang X Y and Shang H B. 2024. A shape-aware enhancement Vision Transformer for building extraction from remote sensing imagery. International Journal of Remote Sensing, 45(4): 1250-1276
  34. 34.
    Yin J C, Wu F, Zhai R J, Qiu Y, Gong X Y and Hang R X. 2024. Two-stream boundary constraints and relativistic generation adversarial network for building contour regularization. Acta Geodaetica et Cartographica Sinica, 53(7): 1444-1457
  35. 35.
    Zhang Z H, Guo W W, Li M J and Yu W X. 2020. GIS-supervised building extraction with label noise-adaptive fully convolutional neural network. IEEE Geoscience and Remote Sensing Letters, 17(12): 2135-2139
  36. 36.
    Zheng Q, Chen J, Wang Z Y, Jiang J J and Liang C. 2019. Deep segmentation domain adaptation network with weighted boundary constraint. IEEE Access, 7: 93909-93918
  37. 37.
    Zuo X L, Shao Z F, Wang J M, Huang X and Wang Y. 2025. A cross-stage features fusion network for building extraction from remote sensing images. Geo-Spatial Information Science, 28(2): 387-401

Leia o texto completo

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