VNet: An End-to-End Fully Convolutional Neural Network for Road Extraction From High-Resolution Remote Sensing Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
One of the most important tasks in the advanced transportation systems is road extraction. Extracting road region from high-resolution remote sensing imagery is challenging due to complicated background such as buildings, trees shadows, pedestrians and vehicles and rural road networks that have heterogeneous forms with low interclass and high intraclass differences. Recently, deep learning-based techniques have presented a notable enhancement in the image segmentation results, however, most of them still cannot preserve boundary information and obtain high-resolution road segmentation map when processing the remote sensing imagery. In the present study, we introduce a new deep learning-based convolutional network called VNet model to produce a high-resolution road segmentation map. Moreover, a new dual loss function called cross-entropy-dice-loss (CEDL) is defined that synthesize cross-entropy (CE) and dice loss (DL) and consider both local information (CE) and global information (DL) to decrease the class imbalance influence and improve the road extraction results. The proposed VNet+CEDL model is implemented on two various road datasets called Massachusetts and Ottawa datasets. The suggested VNet+CEDL approach achieved an average F1 accuracy of 90.64% for Massachusetts dataset and 92.41% for Ottawa dataset. When compared to other state-of-the-art deep learning-based frameworks like FCN, Segnet and Unet, the proposed approach could improve the results to 1.09%, 2.45% and 0.39%, for Massachusetts dataset and 7.21%, 1.86% and 2.68%, for Ottawa dataset. Also, we compared the proposed method with the state-of-the-art road extraction techniques, and the results proved that the proposed technique outperformed other deep learning-based techniques in road extraction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle