elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Building Footprint Generation using Improved Generative Adversarial Networks

Shi, Yilei und Li, Qingyu und Zhu, Xiao Xiang (2019) Building Footprint Generation using Improved Generative Adversarial Networks. IEEE Geoscience and Remote Sensing Letters, 16 (4), Seiten 603-607. IEEE - Institute of Electrical and Electronics Engineers. doi: 10.1109/LGRS.2018.2878486. ISSN 1545-598X.

[img] PDF - Preprintversion (eingereichte Entwurfsversion)
2MB

Offizielle URL: https://ieeexplore.ieee.org/document/8581486

Kurzfassung

Building footprint information is an essential ingredient for 3-D reconstruction of urban models. The automatic generation of building footprints from satellite images presents a considerable challenge due to the complexity of building shapes. In this letter, we have proposed improved generative adversarial networks (GANs) for the automatic generation of building footprints from satellite images. We used a conditional GAN (CGAN) with a cost function derived from the Wasserstein distance and added a gradient penalty term. The achieved results indicated that the proposed method can significantly improve the quality of building footprint generation compared to CGANs, the U-Net, and other networks. In addition, our method nearly removes all hyperparameters tuning.

elib-URL des Eintrags:https://elib.dlr.de/122453/
Dokumentart:Zeitschriftenbeitrag
Titel:Building Footprint Generation using Improved Generative Adversarial Networks
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Shi, YileiTU-MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Li, QingyuTU-MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao XiangDLR-IMF/TUM-LMFNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2019
Erschienen in:IEEE Geoscience and Remote Sensing Letters
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:16
DOI:10.1109/LGRS.2018.2878486
Seitenbereich:Seiten 603-607
Verlag:IEEE - Institute of Electrical and Electronics Engineers
ISSN:1545-598X
Status:veröffentlicht
Stichwörter:Building footprint, conditional generative adversarial networks (CGANs), generative adversarial networks (GANs), segmentation, Wasserstein GANs (WGANs)
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Fernerkundung u. Geoforschung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Hoffmann, Eike Jens
Hinterlegt am:23 Okt 2018 14:50
Letzte Änderung:08 Nov 2023 10:36

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.