предыдущий|следующий

Метод адаптации домена для извлечения зданий из данных дистанционного зондирования, направляемый априорной информацией о форме и положении

  • 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

реферат

Глубокое обучение предоставляет эффективный способ извлечения зданий из данных дистанционного зондирования, но при различии распределения обучающих данных (исходная область) и тестовых данных (целевой область), использование модели, обученной только на исходной области, на целевой области приводит к значительному снижению точности. Метод адаптации домена для извлечения зданий может преодолеть различия в распределении данных между доменами и улучшить способность к распознаванию информации о зданиях в различных условиях. В связи с трудностью получения меток целевого домена и высокой стоимостью разметки, а также недостаточным использованием неизменных свойств зданий для обеспечения междоменной согласованности в текущих методах, в данной статье предлагается метод адаптации домена для извлечения зданий из данных дистанционного зондирования, направляемый априорной информацией о форме и положении. Сначала автоматически извлекаются угловые точки зданий в целевой области с использованием индекса зданий и метода Харриса, а также извлекаются края зданий из размеченных данных исходной области с помощью морфологических методов, чтобы служить априорной информацией о форме для обоих доменов. Затем разработан метод извлечения априорной информации о положении на основе гауссового преобразования, при котором объекты OSM целевого домена и размеченные объекты исходного домена преобразуются в двудоменные априорные данные о положении. Наконец, используя указанную априорную информацию о форме, формируется функция потерь формы, а также задаются тренировочные ограничения для объектов зданий в обоих доменах; двудоменные априорные данные о положении добавляются в виде отдельного дополнительного канала к составному изображению с 4 каналами, обогащая информацию о зданиях целевой области, после чего разработана модель адаптации домена для извлечения зданий AU_AdaptNet на основе состязательного обучения. Экспериментальные результаты показывают, что показатель IoU для предлагаемого метода увеличивается на 15% по сравнению с базовой моделью без адаптации домена, на 6% выше, чем у модели адаптации домена без руководства априорной информацией, и даже при отсутствии данных OSM в целевой области точность извлечения адаптации домена может быть повышена только за счет руководства априорной информацией о форме; при низкой полноте данных OSM целевой области достигаются результаты, сопоставимые с полунанаблюдаемыми методами адаптации домена, использующими высококачественные метки целевого домена.

ключеви́че слова́

Извлечение зданий; адаптация домена; дистанционное зондирование; априорная информация; 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

Читать полностью

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