Gebäudextraktion aus Fernerkundungsdaten mit vollständig falzanpassenden Netzwerken

Zusammenfassung. Die Gebäudetektion und Extraktion von Grundrissen werden für viele Anwendungen der Fernerkundung stark nachgefragt. Obwohl die meisten früheren Arbeiten vielversprechende Ergebnisse gezeigt haben, bleibt die automatische Extraktion von Gebäudegrundrissen ein nicht triviales Thema, insbesondere in komplexen städtischen Gebieten. Kürzlich entwickelte Erweiterungen des CNN-Rahmens haben es ermöglicht, eine dichte, pixelweise Klassifizierung von Eingabebildern durchzuführen. Basierend auf diesen Fähigkeiten schlagen wir eine Methodik vor, die automatisch eine binäre Gebäude-Maske in voller Auflösung aus einem Digitalen Oberflächenmodell (DSM) mit einer Architektur für vollständig konvolutionale Netzwerke (FCN) erzeugt. Der Vorteil der Verwendung von Tiefeninformationen liegt darin, dass sie geometrische Silhouetten liefert und eine bessere Trennung von Gebäuden vom Hintergrund ermöglicht, sowie durch ihre Invarianz gegenüber Beleuchtungs- und Farbvariationen. Der vorgeschlagene Rahmen besteht hauptsächlich aus zwei Schritten. Zunächst wird das FCN an einem großen Satz von Patches trainiert, die normalisierte DSM (nDSM) als Eingaben und verfügbare Ground-Truth-Gebäude-Masken als Zielausgaben enthalten. Zweitens werden die generierten Vorhersagen des FCN als unäre Terme für ein vollständig verbundenes bedingtes Zufallsfeld (FCRF) betrachtet, das es uns ermöglicht, eine finale binäre Gebäude-Maske zu erstellen. Eine Reihe von Experimenten zeigt, dass unsere Methodik in der Lage ist, präzise Gebäudegrundrisse zu extrahieren, die in hohem Maße den ursprünglichen Formen der Gebäude ähneln. Die quantitative und qualitative Analyse zeigt die signifikanten Verbesserungen der Ergebnisse im Vergleich zum mehrschichtigen, vollständig verbundenen Netzwerk aus unserer vorherigen Arbeit.