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

Large-scale building extraction in very high-resolution aerial imagery using Mask R-CNN

Stiller, Dorothee und Stark, Thomas und Wurm, Michael und Dech, Stefan und Taubenböck, Hannes (2019) Large-scale building extraction in very high-resolution aerial imagery using Mask R-CNN. In: 2019 Joint Urban Remote Sensing Event, JURSE 2019, Seiten 1-4. IEEE. 2019 Joint Urban Remote Sensing Event (JURSE), 2019-05-22 - 2019-05-24, Vannes, France. doi: 10.1109/jurse.2019.8808977. ISBN 978-172810009-8.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://ieeexplore.ieee.org/document/8808977

Kurzfassung

Urban areas are hotspots of complex and dynamic alterations of the Earth’s surface. Using deep learning (DL) techniques in remote sensing applications can significantly contribute to document these tremendous changes. Open source building data at a very high level of detail are still scarce or incomplete for many regions, therefore, hindering research and policy to properly provide knowledge on urban structures. In this study, we use a convolutional neural network to extract buildings for the city of Santiago de Chile. We deploy the recently released Mask R-CNN and use a pretrained model (PM) which already has been trained with remote sensing imagery. We fine-tune PM with very high-resolution (VHR) airborne RGB images from our study region and generate the fine-tuned model (FM). To extend the number of training data, we test several data augmentation methods for training purposes and evaluate their performance in context of urban environments. We achieve highest overall accuracy of 92 % by using augmentations and the generated FM. Our findings encourage to use DL methods in the urban context. The presented method can be adapted and applied to other global urban regions, and, help to overcome lacks in open source building data to assess urban environments.

elib-URL des Eintrags:https://elib.dlr.de/128982/
Dokumentart:Konferenzbeitrag (Poster)
Titel:Large-scale building extraction in very high-resolution aerial imagery using Mask R-CNN
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Stiller, DorotheeDorothee.Stiller (at) dlr.dehttps://orcid.org/0000-0002-8681-6144NICHT SPEZIFIZIERT
Stark, ThomasThomas.Stark (at) dlr.dehttps://orcid.org/0000-0002-6166-7541NICHT SPEZIFIZIERT
Wurm, Michaelmichael.wurm (at) dlr.dehttps://orcid.org/0000-0001-5967-1894NICHT SPEZIFIZIERT
Dech, StefanStefan.Dech (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Taubenböck, Hanneshannes.taubenboeck (at) dlr.dehttps://orcid.org/0000-0003-4360-9126NICHT SPEZIFIZIERT
Datum:Mai 2019
Erschienen in:2019 Joint Urban Remote Sensing Event, JURSE 2019
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/jurse.2019.8808977
Seitenbereich:Seiten 1-4
Verlag:IEEE
ISBN:978-172810009-8
Status:veröffentlicht
Stichwörter:deep learning, aerial images, urban, building extraction, classification, very high-resolution
Veranstaltungstitel:2019 Joint Urban Remote Sensing Event (JURSE)
Veranstaltungsort:Vannes, France
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:22 Mai 2019
Veranstaltungsende:24 Mai 2019
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, V - Transport und Klima (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Deutsches Fernerkundungsdatenzentrum > Georisiken und zivile Sicherheit
Deutsches Fernerkundungsdatenzentrum > Leitungsbereich DFD
Hinterlegt von: Stiller, Dorothee
Hinterlegt am:10 Sep 2019 09:11
Letzte Änderung:07 Jun 2024 11:12

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.