DARNet : Réseau Actif Profond de Rayons pour la Segmentation de Bâtiments

Dans cet article, nous proposons un Réseau Actif Profond de Rayons (DARNet) pour la segmentation automatique des bâtiments. En prenant une image comme entrée, il exploite d'abord un réseau neuronal convolutif profond (CNN) comme backbone pour prédire des cartes d'énergie, qui sont ensuite utilisées pour construire une fonction d'énergie. Un contour basé sur des polygones est ensuite évolué en minimisant la fonction d'énergie, dont le minimum définit la segmentation finale. Au lieu de paramétrer le contour en utilisant des coordonnées euclidiennes, nous adoptons des coordonnées polaires, c'est-à-dire des rayons, ce qui non seulement empêche les auto-intersections mais simplifie également la conception de la fonction d'énergie. De plus, nous proposons une fonction de perte qui encourage directement les contours à correspondre aux limites des bâtiments. Notre DARNet est entraîné de bout en bout en rétro-propageant à travers la minimisation de l'énergie et le CNN backbone, ce qui permet au CNN de s'adapter aux dynamiques de l'évolution du contour. Des expériences sur trois ensembles de données de segmentation d'instances de bâtiments démontrent que notre DARNet atteint des performances soit de pointe, soit comparables à celles d'autres compétiteurs.