Super-resolving and composing building dataset using a momentum spatial-channel attention residual feature aggregation network
Notice bibliographique
Résumé
Model generalizability is crucial in the deployment of deep learning (DL) techniques. When trained on specific datasets, generalizability problems arise across many applications of DL including building extractions. Apart from regularizing the training process, collecting data with distinctive characteristics or distributions can be a promising solution. Over the past decade, several open building datasets have been released. However, in practice, a single dataset cannot overcome the generalization error. By unifying the spatial resolution and spectral bands of different datasets, those datasets could be integrated to relieve the generalization error in building footprint extraction. In this work, we focused on the difference in the spatial resolution between different building datasets. We first examined state-of-the-art super-resolution methods and proposed our own method based on Residual Feature Aggregation Network (RFANet), which we named Momentum and Spatial-Channel Attention RFANet (MSCA-RFANet). We then benchmarked our MSCA-RFANet in a comparative study; our new method achieved higher performance on spatial resolution enhancement. Specifically, in the four times spatial resolution enhancement on the SWOOP 2010 Dataset, our MSCA-RFANet result’s peak signal-to-noise ratio (PSNR) of 30.72 dB exceeded that of RFANet (30.66 dB). Likewise, we achieved a lower mean squared error (MSE) of 36.64 compared to RFANet’s 36.94. With detailed benchmarks against Second-order Attention Network (SAN) and Residual Channel Attention Network (RCAN), we confirmed the superior performance of our method in enhancing the spatial resolution of high-spatial-resolution images. Then, we explored the impact of super-resolution resolution and data composition on building footprint extraction. Our building footprint extraction experiments demonstrated the positive impact of super-resolution and data composition. These promising results showed that our method is suitable to integrating existing public building dataset to overcome generalization error in DL-based building footprint 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».