BriefGPT - AI 论文速递
·
城市建筑标签不对齐的知识传递方法之比较研究
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该研究提出了一种对比学习方法，可识别历史建筑物的变化情况，避免伪变化，并利用可变形卷积神经网络减少建筑不一致的影响。该方法在两个数据集上获得了较高的 F1 分数，并在与最先进算法的数据集测试中表现更好。
🎯
关键要点
- 该研究提出了一种对比学习方法，用于识别历史建筑物的变化情况。
- 该方法避免了伪变化，考虑了季节性变化和建筑立面倾斜等因素。
- 利用可变形卷积神经网络减少历史建筑多边形与最新图像中建筑不一致的影响。
- 该方法能够识别新建和拆除的建筑物。
- 在 Wuhan University 建筑变化检测数据集上获得了 93.99％的 F1 分数。
- 在自建的 SI-BU 数据集上获得了 70.74％的 F1 分数。
- 与最先进算法的测试结果相比，该方法表现出更好的性能。
➡️
