Dense Connected Edge Feature Enhancement Network for Building Edge Detection from High Resolution Remote Sensing Imagery

Abstract

Deep-learning-based methods for building-edge-detection have been widely researched and applied in the field of image processing. However, these methods often emphasis the analysis of deep features, which may result in neglecting crucial shallow information representation. Furthermore, abstract features in the deep layers can potentially interfere with the accuracy of edge extraction. To address these challenges, we propose a densely connected edge-detection enhancement network (DCEFE-Net) for building-edge-detection in high-resolution remote sensing images. Firstly, by introducing spatial land channel attention modules, we effectively captured low-level spatial information and high-level semantic information from the input image. Secondly, the proposed edge-aware feature enhancement (EAFE) module emphasis the representation of informative edge features. By alliteratively generating multiple layers of edge-detection maps, it addresses the issue of edge detail loss and enhances edge-detection accuracy. Finally, the dense connectivity blocks strengthen the connections between the convolutional layers, thereby preventing the loss of edge features. Experimental results on the WHU and the Inria Aerial Image Labeling datasets validate the effectiveness of DCEFE-Net, as it consistently produces clear and reliable building-edge results.

Résumé

Les méthodes basées sur l’apprentissage profond pour la détection des contours de bâtiments ont fait l’objet de nombreuses recherches et applications dans le domaine du traitement d’images. Cependant, ces méthodes mettent souvent l’accent sur l’analyze des caractéristiques profondes, ce qui peut conduire à négliger la représentation de l’information superficielle. De plus, les caractéristiques abstraites dans les couches profondes peuvent potentiellement interférer avec la précision de l’extraction des contours. Pour relever ces défis, nous proposons un réseau densément connecté de rehaussement de la détection de contours (DCEFE-Net) pour la détection des contours des bâtiments dans les images de télédétection à haute résolution. Tout d’abord, en introduisant des modules d’attention pour les canaux spatiaux, nous avons capturé efficacement des informations spatiales de bas niveau et des informations sémantiques de haut niveau à partir de l’image d’entrée. Deuxièmement, le module proposé de rehaussement des caractéristiques tient compte des arêtes (EAFE) et met l’accent sur la représentation des particularités informatives des contours. En générant par allitérations plusieurs couches de cartes de détection des contours, le module résout le problème de la perte de détails aux contours et améliore la précision de leur détection. Enfin, les blocs de connectivité denses renforcent les connexions entre les couches convolutives, empêchant ainsi la perte des particularités des contours. Les résultats expérimentaux sur les jeux de données WHU et Inria Aerial Image Labeling valident l’efficacité du DCEFE-Net, car il produit systématiquement des résultats clairs et fiables en bordure de bâtiments.

Disclosure statement

The authors declare no competing financial interests.