MDSC-Net: multi-directional spatial connectivity for road extraction in remote sensing images
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
Extracting roads from complex remote sensing images is a crucial task for applications, such as autonomous driving, path planning, and road navigation. However, conventional convolutional neural network-based road extraction methods mostly rely on square convolutions or dilated convolutions in the local spatial domain. In multi-directional continuous road segmentation, these approaches can lead to poor road connectivity and non-smooth boundaries. Additionally, road areas occluded by shadows, buildings, and vegetation cannot be accurately predicted, which can also affect the connectivity of road segmentation and the smoothness of boundaries. To address these issues, this work proposes a multi-directional spatial connectivity network (MDSC-Net) based on multi-directional strip convolutions. Specifically, we first design a multi-directional spatial pyramid module that utilizes a multi-scale and multi-directional feature fusion to capture the connectivity relationships between neighborhood pixels, effectively distinguishing narrow and scale different roads, and improving the topological connectivity of the roads. Second, we construct an edge residual connection module to continuously learn and integrate the road boundaries and detailed information of shallow feature maps into deep feature maps, which is crucial for the smoothness of road boundaries. Additionally, we devise a high-low threshold connectivity algorithm to extract road pixels obscured by shadows, buildings, and vegetation, further refining textures and road details. Extensive experiments on two distinct public benchmarks, DeepGlobe and Ottawa datasets, demonstrate that MDSC-Net outperforms state-of-the-art methods in extracting road connectivity and boundary smoothness. The source code will be made publicly available at https://github/LYY199873/MDSC-Net.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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