UBR-Net: Road Extraction from High-Resolution Remote Sensing Imagery Using Multi-Scale Attention and Cross-Residual Encoding
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 road features from high-resolution remote sensing imagery is crucial for urban planning, navigation systems. However, this task is challenged by factors such as occlusions from buildings, interruptions in road continuity, and variations in road width and appearance. These issues often lead to segmentation discontinuities and misclassifications. This paper presents the Urban Road Extraction Network (UBR-Net), an architecture that enhances the DeepLabv3+ model to address these challenges. The key contributions lie in the specific design and integration of several modules. We introduce Cross-Residual Encoding blocks designed to preserve fine-grained details and mitigate the gradient vanishing problem, thereby improving road continuity. Additionally, UBR-Net incorporates a Multiscale Context Features Extraction (MCFE) module, enhanced with an Improved Self-Attention Block (ISAB), to capture rich, hierarchical feature representations with a focus on long-range dependencies. A Channel Spatial Attention Module (CSAM) is also integrated to refine the feature extraction process by focusing on critical channels and spatial regions. Evaluations on public datasets, including DeepGlobe and Massachusetts, show that UBR-Net reduces extraction errors from occlusions, achieving a 75.18% F1 score and a 57.22% Intersection over Union (IoU), surpassing existing methods. These results highlight UBR-Net’s effectiveness for urban analysis and its potential for more precise and efficient urban planning.
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 | 0,000 | 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 | 0,001 |
| 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