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

Building Footprint Generation by Integrating Convolution Neural Network With Feature Pairwise Conditional Random Field (FPCRF)

Li, Qingyu und Shi, Yilei und Huang, Xin und Zhu, Xiao Xiang (2020) Building Footprint Generation by Integrating Convolution Neural Network With Feature Pairwise Conditional Random Field (FPCRF). IEEE Transactions on Geoscience and Remote Sensing, 58 (11), Seiten 7502-7519. IEEE - Institute of Electrical and Electronics Engineers. doi: 10.1109/TGRS.2020.2973720. ISSN 0196-2892.

[img] PDF - Postprintversion (akzeptierte Manuskriptversion)
11MB

Offizielle URL: https://ieeexplore.ieee.org/document/9082125

Kurzfassung

Building footprint maps are vital to many remote sensing (RS) applications, such as 3-D building modeling, urban planning, and disaster management. Due to the complexity of buildings, the accurate and reliable generation of the building footprint from RS imagery is still a challenging task. In this article, an end-to-end building footprint generation approach that integrates convolution neural network (CNN) and graph model is proposed. CNN serves as the feature extractor, while the graph model can take spatial correlation into consideration. Moreover, we propose to implement the feature pairwise conditional random field (FPCRF) as a graph model to preserve sharp boundaries and fine-grained segmentation. Experiments are conducted on four different data sets: 1) Planetscope satellite imagery of the cities of Munich, Paris, Rome, and Zurich; 2) ISPRS Benchmark data from the city of Potsdam; 3) Dstl Kaggle data set; and 4) Inria Aerial Image Labeling data of Austin, Chicago, Kitsap County, Western Tyrol, and Vienna. It is found that the proposed end-to-end building footprint generation framework with the FPCRF as the graph model can further improve the accuracy of building footprint generation by using only CNN, which is the current state of the art.

elib-URL des Eintrags:https://elib.dlr.de/134838/
Dokumentart:Zeitschriftenbeitrag
Zusätzliche Informationen:so2sat
Titel:Building Footprint Generation by Integrating Convolution Neural Network With Feature Pairwise Conditional Random Field (FPCRF)
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Li, QingyuTU-MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Shi, YileiTU-MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Huang, XinNICHT SPEZIFIZIERThttps://orcid.org/0000-0002-5625-0338NICHT SPEZIFIZIERT
Zhu, Xiao XiangTUM,DLRNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:29 April 2020
Erschienen in:IEEE Transactions on Geoscience and Remote Sensing
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:58
DOI:10.1109/TGRS.2020.2973720
Seitenbereich:Seiten 7502-7519
Verlag:IEEE - Institute of Electrical and Electronics Engineers
ISSN:0196-2892
Status:veröffentlicht
Stichwörter:Building footprint, conditional random field (CRF), convolution neural network (CNN), graph model, semantic segmentation.
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 - Vorhaben hochauflösende Fernerkundungsverfahren (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Wang, Yuanyuan
Hinterlegt am:13 Mai 2020 10:08
Letzte Änderung:24 Okt 2023 13:45

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.