Dense Connected Edge Feature Enhancement Network for Building Edge Detection from High Resolution Remote Sensing Imagery
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
Deep-learning-based methods for building-edge-detection have been widely researched and applied in the field of image processing.However, these methods often emphasis the analysis of deep features, which may result in neglecting crucial shallow information representation.Furthermore, abstract features in the deep layers can potentially interfere with the accuracy of edge extraction.To address these challenges, we propose a densely connected edge-detection enhancement network (DCEFE-Net) for building-edge-detection in high-resolution remote sensing images.Firstly, by introducing spatial land channel attention modules, we effectively captured low-level spatial information and high-level semantic information from the input image.Secondly, the proposed edge-aware feature enhancement (EAFE) module emphasis the representation of informative edge features.By alliteratively generating multiple layers of edge-detection maps, it addresses the issue of edge detail loss and enhances edge-detection accuracy.Finally, the dense connectivity blocks strengthen the connections between the convolutional layers, thereby preventing the loss of edge features.Experimental results on the WHU and the Inria Aerial Image Labeling datasets validate the effectiveness of DCEFE-Net, as it consistently produces clear and reliable building-edge results. RSUMLes m ethodes bas ees sur l'apprentissage profond pour la d etection des contours de btiments ont fait l'objet de nombreuses recherches et applications dans le domaine du traitement d'images.Cependant, ces m ethodes mettent souvent l'accent sur l'analyze des caract eristiques profondes, ce qui peut conduire a n egliger la repr esentation de l'information superficielle.De plus, les caract eristiques abstraites dans les couches profondes peuvent potentiellement inter-f erer avec la pr ecision de l'extraction des contours.Pour relever ces d efis, nous proposons un r eseau dens ement connect e de rehaussement de la d etection de contours (DCEFE-Net) pour la d etection des contours des btiments dans les images de t el ed etection a haute r esolution.Tout d'abord, en introduisant des modules d'attention pour les canaux spatiaux, nous avons captur e efficacement des informations spatiales de bas niveau et des informations s emantiques de haut niveau a partir de l'image d'entr ee.Deuxi emement, le module propos e de rehaussement des caract eristiques tient compte des artes (EAFE) et met l'accent sur la repr esentation des particularit es informatives des contours.En g en erant par allit erations plusieurs couches de cartes de d etection des contours, le module r esout le probl eme de la perte de d etails aux contours et am eliore la pr ecision de leur d etection.Enfin, les blocs de connectivit e denses renforcent les connexions entre les couches convolutives, empchant ainsi la perte des particularit es des contours.Les r esultats exp erimentaux sur les jeux de donn ees WHU et Inria Aerial Image Labeling valident l'efficacit e du DCEFE-Net, car il produit syst ematiquement des r esultats clairs et fiables en bordure de btiments.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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