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

Semi-supervised segmentation of individual buildings from SAR imagery

Li, Qingyu und Sun, Yao und Mou, LiChao und Shi, Yilei und Zhu, Xiao Xiang (2023) Semi-supervised segmentation of individual buildings from SAR imagery. In: 2023 Joint Urban Remote Sensing Event, JURSE 2023, Seiten 1-4. JURSE 2023, 2023-05-17 - 2023-05-19, Heraklion, Greece. doi: 10.1109/JURSE57346.2023.10144210. ISBN 978-166549373-4. ISSN 2642-9535.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://ieeexplore.ieee.org/abstract/document/10144210

Kurzfassung

Buildings are essential geo-targets that contribute to the monitoring of urban development. Synthetic aperture radar (SAR) provides excellent opportunities for building segmentation as it is insensitive to sunlight illumination and weather conditions. Nevertheless, the majority of existing approaches that exploit convolutional neural networks (CNNs), need to collect an enormous quantity of annotations for network training. Therefore, we propose an innovative semi-supervised method for individual building segmentation from SAR imagery. Our approach has three modules: a weights-shared encoder, a main decoder as well as an auxiliary decoder. For unlabeled samples, given the perturbation added to the encoder’s output, we enforce the consistency between the feature and output of the auxiliary decoder and those of the main decoder. This allows for the use of abundant unlabeled samples to make up for a lack of supervisory information. The experiments are carried out on a SAR dataset that is collected from the city of Berlin, Germany. Quantitative and qualitative results suggest that our approach is superior to other competitors.

elib-URL des Eintrags:https://elib.dlr.de/201209/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Semi-supervised segmentation of individual buildings from SAR imagery
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Li, Qingyuqingyu.li (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Sun, Yaoyao.sun (at) tum.dehttps://orcid.org/0000-0003-2757-1527NICHT SPEZIFIZIERT
Mou, LiChaoLiChao.Mou (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Shi, Yileiyilei.shi (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao XiangXiaoXiang.Zhu (at) tum.dehttps://orcid.org/0000-0001-5530-3613NICHT SPEZIFIZIERT
Datum:2023
Erschienen in:2023 Joint Urban Remote Sensing Event, JURSE 2023
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/JURSE57346.2023.10144210
Seitenbereich:Seiten 1-4
ISSN:2642-9535
ISBN:978-166549373-4
Status:veröffentlicht
Stichwörter:Training, Image Segmentation, Perturbation methods, Buildings, Urban Areas, Training Data, Radar Polarimetry
Veranstaltungstitel:JURSE 2023
Veranstaltungsort:Heraklion, Greece
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:17 Mai 2023
Veranstaltungsende:19 Mai 2023
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 - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Zappacosta, Antony
Hinterlegt am:10 Jan 2024 16:48
Letzte Änderung:10 Jul 2024 10:57

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.