(1) 境界線の自己交差を自然に防げる極座標表示を用いて、物体境界の予測に用いるエネルギー関数を定式化 (2) 予測した物体境界を真の物体境界に近づけるロス関数を導入。CNNによるエネルギーマップの計算から、エネルギー最小化による物体境界の予測、そしてロス関数の計算までの全過程を逆伝搬することで、境界線の精度を直接的に改善するようCNNを学習 (3) 複数の凸な領域を組み合わせて非凸な領域を予測

Vaihingen, Bing Huts, TorontoCityの各データセットに対して、既存のSOTA手法に匹敵するかそれを上回る精度を達成。