PolyAttractNet: Graph-Based Polygonal Segmentation of Building Footprints Using Attraction Field Maps
Notice bibliographique
Résumé
Abstract. Since the launch of Landsat-1 in 1972, Earth observation satellites have undergone significant advancements, enabling the collection of vast amounts of high-resolution imagery. These satellites continuously provide critical data for monitoring urban expansion, infrastructure development, and disaster response. In recent years, the number of remote sensing satellites in orbit has increased substantially, generating extensive visual datasets essential for precise spatial mapping across civil, public, and military applications. One of the key challenges in utilizing satellite imagery is the automated reconstruction of building footprints, which demands high precision to account for variations in architectural styles. Traditional methods rely on manual or semi-automated approaches, which are often time-consuming and prone to inaccuracies. To address these limitations, this paper introduces PolyAttractNet, a novel deep learning framework designed to improve building boundary delineation in satellite imagery. Our approach incorporates Attraction Field Maps (AFMs) within a Graph Neural Network (GNN) framework, combined with an enhanced Mask R-CNN backbone. The proposed architecture effectively detects building instances from a single satellite image while minimizing boundary noise by embedding geometric regularity and integrating multi-scale, multi-resolution, and boundary-preserving mask features. AFMs play a crucial role in refining boundary precision by guiding feature extraction toward geometric consistency. As a result, our model achieves a 9.6% improvement in Average Precision (AP) and a 5% increase in Average Recall (AR) compared to the baseline, demonstrating its effectiveness in producing more accurate and regularized building footprints.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».