畳み込みニューラルネットワークに基づくリモートセンシング画像における多層建物検出フレームワーク

本論文では、リモートセンシング画像から建物を正確に検出することに焦点を当てた深層学習モデルに基づく階層的建物検出フレームワークを提案します。そのために、まずガウスピラミッド技術を用いて異なるスケールおよび空間解像度での建物オブジェクトの特徴を学習するために多層トレーニングサンプルの生成モデルを構築します。次に、候補建物領域を迅速に抽出するための建物領域提案ネットワークを提案し、建物オブジェクト検出の効率を高めます。候補建物領域に基づいて、畳み込みニューラルネットワーク（CNN）を使用して多層建物検出モデルを確立し、各建物領域提案の一般的な画像特徴を計算します。最後に、取得した特徴はCNNモデルのトレーニング用の入力として提供され、学習したモデルは未知の建物を検出するためのテスト画像にさらに適用されます。セクションV-AのデータセットIおよびIIを使用したさまざまな実験により、提案されたフレームワークは、最先端の方法、すなわち方法IVと比較して、建物検出の平均適合率をそれぞれ3.63%、3.85%、および3.77%向上させることが示されました。さらに、提案された方法は異なる空間的テクスチャおよびタイプの建物に対しても頑健です。