Sep, 2023

建筑物提取精度：使用 LiDAR 数据比较浅层模型和深层模型

PDF
TL;DR本篇论文研究了建筑分割问题，利用浅层模型评估 LiDAR 数据在监督分割中的应用，并通过采用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 Intersection over Union 得分分别优于深度学习模型 8% 和 2%，与此同时深度学习模型在 Boundary Intersection over Union 得分方面表现更好，采用 Light Gradient-Boosting Machine (LightGBM) 的效果优于 RF 和 Extreme Gradient Boosting (XGBoost)。
building segmentationshallow modelslidar dataintersection over unionboundary intersection over union
发现论文，激发创造
  • 通过将语义 LiDAR 点云与设计的 BIM 模型集成，实现城市 GeoBIM 建设

    本研究提出了一种将激光雷达点云与 BIM 模型相匹配的方法，通过深度学习算法与图论相结合，实现了对城市场景的重建，从而解决了 LiDAR 数据质量以及 BIM 模型位置精度不足的问题。该方法在分割和匹配过程中表现出了很好的效果，可以提供一种快速准确的城市 GeoBIM 建设解决方案。

    Apr, 2023

  • 基于地势信息的自主学习：利用有限注释增强 LiDAR 数据中的建筑物提取

    使用地面高程模型和自我监督学习的方法，在建筑物分割地图中利用少量标签数据取得了较好的效果，对于在遥感领域中提取特征具有高效性和有效性。

    Nov, 2023

  • MapAI：建筑物分割的精确性

    MapAI 是一个在 2022 年秋季与挪威人工智能研究联盟（NORA）、Agder 大学人工智能研究中心（CAIR）、挪威测绘局、AI:Hub、Norkart 和丹麦数据供应和基础设施局合作举办的比赛，专注于利用航空影像和激光数据对建筑物进行分割。它将于北极光深度学习会议上结束。我们提供两个不同的任务来分割建筑物，第一个任务只能利用航空影像，而第二个任务必须使用激光数据（LiDAR）与或无航空影像。此外，我们使用 IoU 和 Boundary IoU 来正确评估模型的精度，后者是一种评估结果边界的 IoU 度量。我们为参与者提供训练数据集，并保留测试数据集进行评估。

    Jan, 2024

  • 利用航空 LiDAR 图像分割揭示古代玛雅定居点

    利用深度学习的最新进展，本文展示了如何利用 YOLOv8 神经网络来准确地分割航空 LiDAR 图像中的考古结构，通过对原始 LiDAR 数据的新型预处理和数据增强方法来训练 YOLOv8 网络，提高了平台和环状结构的分割的准确度、精度和召回率，优于现有方法，该方法自动化了耗时的 LiDAR 图像标注，显著加速了对历史景观的准确分析。

    Mar, 2024

  • 自动森林清查: 3D 深度学习对高密度航空 LiDAR 点云的分析

    通过介绍一种深度学习框架，本研究旨在自动地将高密度点云分割为有意义的树木实体，以及树组件，并从分割数据中获得相关的生物物理参数。通过测试，该系统在个体树木和五个语义类别的分割上取得了较高的准确性，在树冠相关特征方面表现尤其突出，而对于树直径和位置的估计相对不太可靠，这是由于航空扫描设置的原因。

    Dec, 2023

  • 激光雷达可视化对考古物体语义分割的影响

    本研究通过一个全面的测试框架，研究了可视化对深度学习性能的影响，结果表明适当的可视化选择可以提高性能高达 8%，然而找到一个在分割所有考古类别中表现出色的可视化方法仍然具有挑战性，实验结果突显了在成功分割考古对象时，精心选择模型配置和 LiDAR 可视化的重要性。

    Apr, 2024

  • LIGHT: 卫星图像联合多任务学习网络实现建筑物提取和高度估计

    通过多任务学习神经网络 (LIGHT) 将个体的建筑提取和高度估计结合起来，在输出建筑物的高度地图、边界框和分割掩码图的同时，通过门控交叉任务交互 (GCTI) 模块提高了特征交互的效率。实验结果表明，背景为 ResNet101 的 LIGHt 在 DFC2023 数据集上表现出优越的性能，并使多任务学习的性能显著提高了 2.8％ AP50 和 6.5％ delta1。

    Apr, 2023

  • 分割任意建筑物

    利用不同数据集和先进的表示学习模型在遥感图像中对建筑物进行识别和分割的研究表明，通过融合各种数据集，我们扩大了学习资源的范围，在多个数据集上取得了可观的性能。我们的创新联合训练过程在城市规划、灾害管理和环境监测等关键领域展示了我们方法的价值，结合数据集融合技术和预训练模型的方法为建筑物分割任务树立了新的先例。此研究的结果为未来的探索奠定了基础，并显示了在建筑物分割领域中创新应用的潜在前景。

    Oct, 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

  • 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