Edge-Aware Dual-Branch Frame Field Netzwerk für hochpräzise Extraktion von Gebäudepolygonen

Die effiziente Extraktion von Gebäudegrundrissen aus Luft- und Satellitenbildern ist für Stadtplanung, Infrastrukturmanagement und großflächige geospatiale Analysen unerlässlich. Traditionelle rasterbasierte Ansätze bieten nur begrenzte geometrische Präzision, während bestehende Polygongenerierungsverfahren oft darauf beruhen, kleinmaßstäbliche Gebäudeecken zu erkennen und anzuordnen, was zu unvollständigen Strukturen, verzerrten Formen und hohen Rechenkosten führen kann. Um diese Einschränkungen zu überwinden, schlägt diese Studie ein Edge-Aware Dual-Branch Frame Field Netzwerk (EA-DBFFN) für die automatisierte und hochpräzise Extraktion von Gebäudepolygonen vor. Die Methode basiert auf Frame-Field-Learning und führt eine Dual-Branch-Architektur ein, die Gebäudemasken und Kanten separat vorhersagt. Ein Dual-Task Decoder vergrößert und passt die Rezeptivfelder an und wendet räumliche Aufmerksamkeit an, um die Darstellung struktureller Details zu verbessern. Feste Sobel- und Laplace-Filter werden integriert, um die Kantenerkennung zu stärken. Zusätzlich fördert ein Dual-Task Mutual Guidance Modul den Austausch von komplementären Informationen zwischen den Masken- und Kantenästen, verbessert die geometrische Konsistenz und reduziert Grenzfehler. Experimente auf dem Inria Aerial Datensatz und dem CrowdAI Datensatz zeigen, dass EA-DBFFN in regionenbasierten Metriken überlegen ist, mit einem AP75 von 72,9 % auf CrowdAI, was eine Verbesserung von 2,3 % gegenüber konkurrierenden Methoden darstellt. Darüber hinaus erzeugt EA-DBFFN geometrisch hochwertigere Polygone, mit einer Verringerung des Max Tangent Angle Fehlers um 6,4 %, der Invalid Polygon Ratio um 66,3 % und einer Verbesserung der Kantenglätte um 72,7 % im Vergleich zur besten konkurrierenden Methode. Die Ergebnisse zeigen, dass EA-DBFFN einen effektiven und recheneffizienten Rahmen für die Generierung qualitativ hochwertiger vektorisierter Gebäudegrundrisse bietet, der für großflächige städtische Analysen geeignet ist.