文章目录
2020
End to End Trainable Active Contours via Differentiable Rendering(ICLR)
code: https://paperswithcode.com/paper/end-to-end-trainable-active-contours-via-1
摘要： 我们提出了一种迭代演化一个多边形的图像分割方法。在每次迭代中，多边形的顶点是基于通过编解码器结构从输入图像推断出的二维移位映射的局部值。所使用的主要训练损失是多边形形状和地面真实分割掩模之间的差异。该网络使用一个神经渲染器从其顶点创建多边形，使该过程完全可微。我们证明了我们的方法在各种基准和深度主动轮廓解决方案优于先进的分割网络，包括医学成像和航空图像。
2021
Polygonal Building Extraction by Frame Field Learning
code: https://paperswithcode.com/paper/polygonal-building-extraction-by-frame-field
摘要： 虽然目前最先进的图像分割模型通常以光栅格式输出分割，但在地理信息系统中的应用通常需要矢量多边形。 为了弥补深度网络输出与下游任务中使用的格式之间的差距，我们在深度分割模型中添加了帧域输出，用于从遥感图像中提取建筑物。 我们训练一个深度神经网络，将预测的框架场对齐到地面真实轮廓。 这个额外的目标通过利用多任务学习来提高分割质量，并提供结构信息，以促进后来的多边形化; 我们还介绍了一种多边形化算法，它利用了框架场和光栅分割。
Adversarial Shape Learning for Building Extraction in VHR Remote Sensing Images
code: https://paperswithcode.com/paper/adversarial-shape-learning-for-building
由于遮挡和边界模糊问题，VHR RSIs中的建筑物提取仍然是一个具有挑战性的任务。 传统的基于卷积神经网络(convolutional neural networks, CNNs)的方法虽然能够利用局部纹理和上下文信息，但无法捕捉建筑物的形状模式，这是人类识别的必要限制。 为了解决这个问题，我们提出了一个对抗形状学习网络(ASLNet)来建模建筑物形状模式，以提高建筑物分割的准确性。 在提出的ASLNet中，我们引入对抗学习策略来显式建模形状约束，以及一个CNN形状正则化器来加强形状特征的嵌入。 为了评估建筑物分割结果的几何精度，我们引入了几种基于对象的质量评估指标。 在两个开放基准数据集上的实验表明，所提出的ASLNet在基于像素的精度和基于对象的质量测量方面都有很大的提高。
