Deep Learning-Guided High-Completeness Building Segmentation Sample Selection via Otsu Thresholding

doi:10.1109/LGRS.2025.3612492

Deep Learning-Guided High-Completeness Building Segmentation Sample Selection via Otsu Thresholding

2025-01-01

0

PRE

AI

DOI：10.1109/LGRS.2025.3612492

原文链接

原文求助

摘要

En 中文

深度学习（DL）已显著加速了遥感（RS）影像的解译。然而，标注错误（如遗漏、错位和几何形变）会严重降低模型性能。其中，遗漏错误——即影像中的物体在其对应标签中部分或完全缺失——尤为有害。为解决此问题，本文提出了一种基于带有遗漏错误的建筑分割数据集训练的模型，用于选择高完整性训练样本的方法。该方法利用Otsu阈值法的背景-前景区分特性，估计每个样本的参考完整性，并基于给定阈值识别高完整性样本。在带有遗漏错误的模拟数据集和基于OpenStreetMap（OSM）的建筑分割数据集上进行了大量实验。结果表明，所提出的方法能够有效识别高完整性样本。此外，基于这些选定样本训练的模型，其性能相较于基于原始未筛选数据集训练的模型有显著提升。

Keyword:

Deep learning (DL)

omission error

remote sensing (RS) image segmentation

sample selection

training data quality

Deep Learning-Guided High-Completeness Building Segmentation Sample Selection via Otsu Thresholding

摘要

期刊

机构

引用论文