Heterogeneous dual-decoder network 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
Accurate road extraction from remote sensing images is crucial for autonomous driving, urban planning, and route planning. However, existing methods struggle to address the challenges of scale variation, occlusion, and blurred boundaries. To tackle these challenges, this paper proposes a heterogeneous dual-decoder network (HDDNet), which aims to simultaneously solve the multiple problems in remote sensing road extraction by designing two decoders with complementary functions. Specifically, the main decoder incorporates the Dynamic Snake Grouping Dilation (DSGD) module, which combines road morphological features with a grouped multi-scale receptive field to enhance the capture of narrow and multi-scale road features. The auxiliary decoder integrates the Multi-directional Connectivity and Boundary Enhancement (MCBE) module, which jointly optimizes road connectivity and boundary refinement by leveraging directional consistency between the road body and edges. Finally, the Dual Attention Feature Fusion (DAFF) module is introduced to interactively learn and fuse the output features of the main decoder and the auxiliary decoder in both spatial and channel dimensions, which improves the accuracy and robustness of feature representations. We conducted systematic experiments on three representative public datasets: DeepGlobe, Ottawa, and CHN6-CUG. The results demonstrate that the proposed method significantly outperforms current mainstream approaches in the road extraction task, achieving Intersection over Union (IoU) scores of 71.36%, 91.85%, and 67.27%, respectively, which strongly validates the performance and robustness of HDDNet across diverse road scenarios.
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 | 0,000 | 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 | 0,000 |
| 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 découle