.png){kind=icon}
返回
Structure-aware deep learning network for building height estimation
.png){kind=icon}
OA
AI
DOI：10.1016/j.jag.2025.104443.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确的建筑高度信息对于城市管理和规划至关重要。然而，大多数现有方法依赖通用分割网络进行建筑高度估计，常忽略建筑的结构特征。本文提出了一种新颖的结构感知建筑高度估计（SBHE）模型以解决此局限性。该模型设计为双分支架构：一个分支从Sentinel-2影像中提取建筑轮廓，另一个分支从Sentinel-1影像中估计建筑高度。开发了一种结构感知解码器及门控机制集成到SBHE中，以捕捉并考虑建筑的结构特征。在中国长江三角洲地区的验证表明，SBHE实现了比四种现有方法（RMSE = 5.071 m、7.148 m、RMSE = 10.16 m和13.41 m）更精确的建筑高度图（RMSE = 4.62 m）。同时，SBHE生成的建筑轮廓更清晰，结构完整性更好。因此，所提出的SBHE为建筑高度制图提供了稳健的工具。SBHE模型的源代码可获取于：https://github.com/cheneason/S BHE-model。
Keyword:
Building height
Dual-branch network
Structure-aware
Sentinel data
Yangtze River Delta region of China
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.6
论文数:
5.3K
被引数:
2.4W
机构
暂无机构信息
引用论文
分享收藏
Carbon mitigation potential afforded by rooftop photovoltaic in China中国屋顶光伏发电的碳减排潜力.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏
查看更多内容