.png){kind=icon}
返回
A visual transformer and multi-task learning framework for building generalisation from raster maps
.png){kind=icon}
OA
AI
DOI：10.1080/17538947.2026.2724180.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
构建要素概括将详细的大规模建筑表示转换为适合小规模城市地形图的简化形式。现有的基于深度学习的栅格建筑地图方法主要基于卷积神经网络（CNN）或生成对抗网络（GAN）。然而，它们的局部归纳偏置或有限的全局空间感知能力往往导致建筑几何失真。尽管大型视觉基础模型在整体建模方面表现出色，但其应用主要集中于建筑提取。为解决这些问题，提出了SAM-BG，一种将Segment Anything Model与多任务学习集成的构建要素概括框架。具体而言，采用低秩适配技术高效微调视觉Transformer（ViT）编码器，并将全局表示能力迁移至制图领域。随后，引入了具有显式边界监督的几何感知多任务架构以缓解轮廓失真。此外，设计了一种利用双源引导门控和多尺度特征金字塔的边界特征增强模块（BFEM）以强化边界响应。在合成及真实数据集上的多尺度实验表明，SAM-BG在建筑边界敏感指标上优于基准方法。本研究提出了一种可行的端到端构建要素概括解决方案，并验证了视觉基础模型在制图领域特定情境下的潜力。
Keyword:
Building generalisation
raster maps
vision transformer
low-rank adaptation
multi-task learning
期刊
IF:
4.9
论文数:
2.0K
被引数:
4.7K
机构
引用论文
.png){kind=icon}
A raster-based typification method for multiscale visualization of building features considering distribution patterns考虑分布模式的基于栅格的建筑物特征多尺度可视化典型化方法OAAI
OAAI分享收藏Reasoning cartographic knowledge in deep learning-based map generalization with explainable AI基于可解释AI的基于深度学习的地图综合中的推理制图知识
PREAI
分享收藏SAMPolyBuild: Adapting the Segment Anything Model for polygonal building extractionSAMPolyBuild: 为多边形建筑提取调整Segment anyying模型
PREAI
分享收藏
分享收藏Segment anything model-drive boundary-aware network for surgical instrument segmentation手术器械分割的任意分割模型驱动的边界感知网络
PREAI
分享收藏
查看更多内容