[论文解读] Deep convolutional neural network application on rooftop detection for aerial image

Mengge Chen, Jonathan Li|arXiv (Cornell University)|Oct 29, 2019

Remote-Sensing Image Classification参考文献 11被引用 5

一句话总结

本文提出一种基于深度卷积神经网络（CNN）的方法，用于在航空影像中自动检测屋顶，以支持基督城地震后的建筑评估。通过优化超参数，该方法在小独栋房屋的精确分割方面表现出色，展示了在高分辨率航空影像中检测和提取建筑物的强大性能。

ABSTRACT

As one of the most destructive disasters in the world, earthquake causes death, injuries, destruction and enormous damage to the affected area. It is significant to detect buildings after an earthquake in response to reconstruction and damage evaluation. In this research, we proposed an automatic rooftop detection method based on the convolutional neural network (CNN) to extract buildings in the city of Christchurch and tuned hyperparameters to detect small detached houses from the aerial image. The experiment result shows that our approach can effectively and accurately detect and segment buildings and has competitive performance.

研究动机与目标

• 开发一种自动化方法，用于在灾后航空影像中检测建筑物，以支持快速重建和损伤评估。
• 解决在复杂城市环境中从航空影像中准确识别小型独栋房屋的挑战。
• 优化CNN超参数，以提升对小型建筑屋顶检测性能。
• 评估深度学习在从高分辨率航空影像中分割建筑物方面的有效性。

提出的方法

• 端到端训练卷积神经网络（CNN），直接从航空影像中检测和分割屋顶。
• 通过超参数优化对模型进行微调，以增强对小型孤立房屋的检测能力。
• 该架构通过多层卷积和池化层实现特征提取和空间上下文建模。
• 使用全连接层后接Sigmoid激活函数，实现屋顶的二值分割。
• 应用数据增强和归一化技术，以提升模型在多样化城市场景中的泛化能力。
• 在基督城的航空影像上评估该方法，重点关注建筑物检测精度和分割质量。

实验结果

研究问题

• RQ1 深度CNN能否有效检测高分辨率航空影像中的屋顶，以支持灾后评估？
• RQ2 超参数调优在城市区域小型独栋房屋检测中产生何种影响？
• RQ3 所提出方法在屋顶分割方面相较于传统图像处理技术的优越程度如何？
• RQ4 该模型在复杂城市环境中对形状和尺寸各异的建筑物检测表现如何？

主要发现

• 所提出的基于CNN的方法在从航空影像中检测和分割建筑物方面表现出高精度，尤其在小型独栋房屋上表现突出。
• 超参数调优显著提升了对小型屋顶结构的检测性能。
• 与现有方法相比，该模型在从航空影像中提取建筑物方面表现出具有竞争力的性能。
• 该方法能有效处理具有多样化建筑形状和密度的复杂城市场景。