Apr, 2023

ZRG：面向机器学习的高分辨率三维住宅屋顶几何数据集

HTML
PDF
TL;DR本文介绍了 Zeitview Rooftop Geometry（ZRG）数据集，包含成千上万个高分辨率空照图像的采样，用于住宅屋顶几何和场景理解的数字地面模型（DSM），3D 屋顶线框和多视角图像生成点云，并进行了充分的基准测试，以说明此数据集解锁的众多应用程序，并为屋顶轮廓提取、单眼高度估计和平面屋顶结构提取任务提供基线。
发现论文，激发创造
  • 航拍图像用于屋顶分割：面向建筑自动化地图绘制的大规模数据集

    该论文的版本因用户在提交时没有权利同意许可证而被移除。

    Jul, 2018

  • SkyScapes -- 空中场景的细粒度语义理解

    介绍了一个名为SkyScapes的空中图像数据集，利用该数据集进行密集语义分割和多任务预测，并提出了一种新的多任务模型，相较于基准模型在目标区域轮廓和细节级别方面取得了显著的改进。

    Jul, 2020

  • 投影池化下的野外多视角建筑综合分析

    通过引入新的数据集和投影汇集层，成功提高建筑属性的分类精度。

    Aug, 2020

  • Roof-GAN: 学习为住宅生成屋顶几何形状和关系

    本文介绍了 Roof-GAN，一种新颖的生成对抗网络，它能够生成住宅屋顶结构的结构几何体系，作为一组屋顶基元及其关系。生成器将基元的数量转换成图形结构，生成一种有结构的屋顶模型，并在完全端到端的体系结构中使用判别器来评估基元栅格几何、基元关系和基元向量几何。我们提出了一种新的度量标准，证明了我们的方法在生成多种多样和逼真的屋顶模型方面的有效性。

    Dec, 2020

  • 卫星图像中的机器学习三维建筑矢量化

    本文提出了一种基于机器学习的方法，通过数字表面模型和全色影像的输入，使用条件生成对抗网络筛选出非建筑物，然后借助于语义分割网络检测出建筑物屋顶的边缘和角点，并提出一组矢量化算法来构建屋顶多边形，最终从改进后的表面模型中添加高度信息，以获得完全矢量化的精细建筑模型。在大型卫星图像上对我们的方法进行了验证，并取得了最先进的性能。

    Apr, 2021

  • 利用单幅卫星图像进行屋顶部分的三维检测及应用于LOD2建筑重建

    提出了一种基于遥感影像的城市三维重建方法，名为KIBS （Keypoints Inference By Segmentation），该方法实现了在只有一张二维卫星影像的情况下，通过全深度学习实现建筑物屋顶截面的三维检测，并进行全三维重建，在两个数据集上的重建准确性在 LOD2 精度范围内，且能在短短几分钟内完成。

    Jul, 2023

  • Building3D: 从点云中学习屋顶结构的城市级数据集和基准

    这篇论文介绍了一个城市建模的数据集Building3D，它包括超过160,000幢建筑物的点云、网格和线框模型，覆盖爱沙尼亚的16个城市，面积约为998平方公里。作者通过对先进算法的评估发现Building3D存在高内类别差异、数据不平衡和大规模噪声等挑战。这个数据集是首个最大规模的城市建模基准，可以用于监督学习和自监督学习方法的比较。作者认为Building3D将促进未来在城市建模、航路规划、网格简化和语义/部分分割等领域的研究。

    Jul, 2023

  • RoofDiffusion: 利用扩散从严重受损的点云数据构建屋顶

    RoofDiffusion是一种新的自我监督扩散技术，可精确完成和去噪屋顶高度图，并在处理具有实际扫描数据的数据集以及3D建筑重建方面表现出很好的效果。

    Apr, 2024

  • Nacala-Roof-Material: 无人机图像用于屋顶检测、分类和分割，以支持蚊媒疾病风险评估

    通过利用遥感图像对屋顶类型进行分类，可以支持疟疾风险评估并有助于预防疟疾。我们提供莫桑比克的Nacala-Roof-Material数据集，其中包含高分辨率的无人机图像，并提供标签以确定房屋及其屋顶类型。该数据集定义了一个多任务计算机视觉问题，包括目标检测、分类和分割。我们基于该数据集对多种最先进的方法进行了基准测试，结果显示每种方法在各自任务上具有优势，但没有一种方法在所有任务上占据优势，这突显了我们数据集在多任务学习中的潜力。我们还通过引入深度有序分水岭（DOW）方法的变体解决了对象准确分割和分离的问题，从而改善了对象的描绘和分割效果。我们展示了我们的DOW变体是一种通用方法，可以改进U-Net和DINOv2主干网络的性能，实现了语义分割和实例分割之间更好的权衡。

    Jun, 2024

  • CMAB：首个基于开源数据和GeoAI的大规模多属性建筑数据集

    本研究解决了现有建筑数据集在准确性和可拓展性方面的不足，提出了全国范围内的多属性建筑数据集CMAB。通过地理空间人工智能框架，利用高分辨率的Google Earth影像和街景图像，构建了包含楼顶、高度、功能、质量和年龄等属性的数据集，旨在为城市规划和可持续发展提供支持。

    Aug, 2024