本文研究了利用浅层模型评估 LiDAR 数据在建筑分割中的应用。通过边界掩模提升边界一致性得分，结合航空图像和 LiDAR 数据进行模型的训练与比较。结果表明浅层模型在航空图像任务和航空图像与 LiDAR 数据任务下的得分分别优于深度学习模型 8% 和 2%。深度学习模型在 Boundary Intersection over Union 得分方面表现更好，采用 LightGBM 的效果优于 RF 和 XGBoost。

DeNISE是一种深度神经网络，通过边缘检测和分割模型改善分割掩模的边界质量，并通过两个顺序深度神经架构的固有差异提高预测分割边缘的准确性。DeNISE应用于航拍图像建筑分割任务，提高了建筑IoU至78.9%。