Extraktion mehrerer Objekte aus Luftbildern mit Faltungsneuronalen Netzwerken

Ein automatisches System zur Extraktion terrestrischer Objekte aus Luftbildern hat viele Anwendungen in verschiedenen Bereichen. Im Allgemeinen wird diese Aufgabe jedoch manuell von menschlichen Experten durchgeführt, was sehr kostspielig und zeitaufwendig ist. Es gab viele Versuche, diese Aufgabe zu automatisieren, aber viele der bestehenden Arbeiten basieren auf klassen-spezifischen Merkmalen und Klassifikatoren. In diesem Artikel schlagen die Autoren ein auf Faltungsneuronalen Netzwerken (CNN) basierendes System zur Extraktion von Gebäuden und Straßen vor. Dieses nimmt rohe Pixelwerte aus Luftbildern als Eingabe und gibt vorhergesagte dreikanalige Bildlabels (Gebäude-Straße-Hintergrund) aus. Mit CNNs werden sowohl Merkmalsextraktoren als auch Klassifikatoren automatisch erstellt. Die Autoren schlagen eine neue Technik vor, um ein einzelnes CNN effizient zu trainieren, um mehrere Arten von Objekten gleichzeitig zu extrahieren. Schließlich zeigen sie, dass die vorgeschlagene Technik die Vorhersageleistung verbessert und die neuesten Ergebnisse übertrifft, die an einem öffentlich verfügbaren Luftbilddatensatz getestet wurden. c 2016 Society for Imaging Science and Technology.