• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Geoscience and Remote Sensing Letters >A Semi-Supervised High-Level Feature Selection Framework for Road Centerline Extraction
【24h】

A Semi-Supervised High-Level Feature Selection Framework for Road Centerline Extraction

机译：用于道路中心线提取的半监督高级特征选择框架

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Accurate road centerline extraction is very important for many vital applications. In the road extraction, the acquisition of labeled data is time-consuming; thus, there is only a small amount of labeled samples in reality. To solve the problem of limited labeled samples, a semi-supervised road centerline extraction is proposed, which incorporates high-level feature selection, Markov random field (MRF), and ridge transversal method. The proposed road extraction approach consists of three steps: multiple features extraction, semi-supervised road area extraction, and road centerlines extraction. To get more abstract and discriminative high-level features, we apply multiple-feature adaptive sparse representation in mid-level features in different views generated by different prototype sets. To obtain an accurate road area result, we combine the feature learning framework with MRF. Then, we integrate Gabor filters and nonmaxima suppression with the ridge transversal method to extract centerlines. It is verified the proposed method achieves comparable performance with the state-of-the-art methods in terms of visual and quantitative aspects.
机译：准确的道路中心线提取对于许多重要应用非常重要。在道路提取中，收购标记数据是耗时的;因此，实际上只有少量标记的样品。为解决有限标记样品的问题，提出了一个半监督的道路中心线提取，其中包括高级特征选择，马尔可夫随机场（MRF）和脊横向方法。拟议的道路提取方法包括三个步骤：多种特征提取，半监督道路区域提取和道路中心线提取。为了获得更多抽象和辨别的高级功能，我们在中级功能中应用多个特征自适应稀疏表示，以不同的原型集生成的不同视图。为了获得准确的道路领域，我们将特征学习框架与MRF结合起来。然后，我们将Gabor滤波器和非混凝器抑制与脊横向方法集成在一起以提取中心线。验证了所提出的方法在视觉和定量方面的状态下实现了与最先进的方法相当的性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号