Enhancing Polygonal Building Segmentation via Oriented Corners

目前，各种应用对高分辨率地图的需求日益增长，准确地从卫星图像中分割出建筑物矢量图的必要性也因此凸显。然而，当前的深度神经网络往往产生光栅数据输出，导致需要进行大量的后处理，从而影响建筑物表示的保真度、规则性和简洁性。为此，本文介绍了一种名为OriCornerNet的新型深度卷积神经网络，可直接从输入图像中提取出分割好的建筑多边形。具体来说，我们的方法涉及一个深度模型，它可以预测建筑物占地面积的掩模、角点和指向相邻角点方向的方向向量。然后，利用这些预测结果重构初始多边形，并使用图卷积网络进行迭代细化，利用语义和几何特征。我们的方法通过使用预测的角点初始化细化过程，从而固有地生成简化的多边形。此外，包括来自定向角点的几何信息有助于产生更规则和更精确的结果。在SpaceNet Vegas和CrowdAI-small数据集上进行的性能评估表明，与从卫星图像中分割建筑物的最先进技术相比，我们的方法具有竞争力的有效性。

本文旨在解决从卫星图像中准确分割建筑物向量的问题，而当前深度神经网络往往会产生栅格数据输出，需要进行大量后处理，从而影响建筑物表示的保真度、规律性和简洁性。

本文提出了一种名为OriCornerNet的新型深度卷积神经网络，它可以直接从输入图像中提取出建筑物轮廓多边形。该方法涉及一个深度模型，该模型预测建筑物足迹掩码、角点和指向相邻角点方向的方向向量。这些预测然后用于重建初始多边形，随后使用图卷积网络进行迭代细化，利用语义和几何特征。本方法通过使用预测的角点初始化细化过程，从而固有地生成简化的多边形。此外，包括来自定向角点的几何信息有助于产生更规则和准确的结果。

本文的亮点包括：1. 提出了一种新的深度卷积神经网络，可以直接从输入图像中提取出建筑物轮廓多边形；2. 通过使用预测的角点初始化细化过程，从而固有地生成简化的多边形；3. 包括来自定向角点的几何信息有助于产生更规则和准确的结果。实验使用了SpaceNet Vegas和CrowdAI-small数据集，并且在建筑物分割领域中展现出了很高的效果。

在这个领域的相关研究包括：1. Mask R-CNN for Object Detection and Segmentation；2. Deep Watershed Transform for Instance Segmentation；3. Efficient and Accurate Building Segmentation on High-Resolution Remote Sensing Imagery Using Weakly Supervised Learning。