원거리 감지 이미지를 통한 건물 추출을 위한 교차 단계 특성 융합 네트워크

딥 러닝 기반 건물 추출 방법은 네트워크의 서로 다른 단계에서 서로 다른 특성 맵을 생성하며, 이들은 서로 다른 정보 특성을 포함합니다. 특성 맵의 자세한 정보는 네트워크의 깊이에 따라 감소하며, 충분히 세밀하지 않은 정보는 제한된 정확도로 이어집니다. 그러나 기존 방법은 풍부한 세부정보를 가진 저수준 특성 맵을 충분히 활용할 수 없습니다. 이러한 단점을 극복하기 위해, 우리는 원거리 감지 이미지에서 건물 추출을 위한 교차 단계 특성 융합 네트워크(CFF-Net)를 제안했습니다. CFF-Net에서는 서로 다른 단계에서 생성된 다양한 특성을 융합하는 교차 단계 특성 융합(CFF) 모듈을 혁신적으로 제안했습니다. 또한 우리는 주의 메커니즘을 사용하여 네트워크가 서로 다른 스케일에서 중요한 정보에 더 집중하도록 했습니다. 건물 추출의 정확성을 더욱 향상시키기 위해, 마지막 합성곱 층과 중간 단계에서 생성된 특성 맵을 동시에 예측에 사용하는 예측 향상(PE) 모듈을 설계했습니다. 제안된 네트워크의 효과를 평가하기 위해, 우리는 공개적으로 사용 가능한 두 개의 데이터 세트, 즉 Inria 데이터 세트와 WHU 데이터 세트에서 정량적 및 정성적 실험을 수행했습니다. CFF-Net은 IoU 및 F1 메트릭에서 두 데이터 세트에서 다른 최첨단 알고리즘을 능가했습니다. 효율성 분석에 따르면 제안된 CFF-Net은 건물 추출 성능과 복잡성/효율성 사이에서 훌륭한 균형을 이루며, 더 빠른 수렴 속도와 높은 강건성을 보여줍니다.