Cost-Effective High-Definition Building Mapping: Box-Supervised Rooftop Delineation Using 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 high-definition building mapping faces challenges due to the need for extensive high-quality training data, leading to significant annotation costs. To mitigate this challenge, we introduce Box2Boundary, a novel approach using box supervision, in conjunction with the segment anything model (SAM), to achieve cost-effective rooftop delineation. Leveraging the tiny InternImage architecture for enhanced feature extraction and using the dynamic scale training strategy to tackle scale variance, Box2Boundary demonstrates superior performance compared to alternative box-supervised methods. Extensive experiments on the Wuhan University Building Data Set validate our method's effectiveness, showcasing remarkable results with an average precision of 48.7%, outperforming DiscoBox, BoxInst, and Box2Mask by 22.0%, 11.3%, and 2.0%, respectively. In semantic segmentation, our method achieved an F 1 score of 89.54%, an overall accuracy (OA) of 97.73%, and an intersection over union (IoU) of 81.06%, outperforming all other bounding-box-supervised methods, image tag–supervised methods, and most scribble-supervised methods. It also demonstrated competitive performance compared to fully supervised methods and scribble-supervised methods. SAM integration further boosts performance, yielding an F 1 score of 90.55%, OA of 97.84%, and IoU of 82.73%. Our approach's efficacy extends to the Waterloo Building and xBD Data Sets, achieving an OA of 98.48%, IoU of 84.72%, and F 1 score of 91.73% for the former and an OA of 97.32%, IoU of 60.10%, and F 1 score of 75.08% for the latter. These results underscore the method's robustness and cost-effectiveness in rooftop delineation across diverse data sets.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 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