Wie Maschinen lernen, 3D-Stadtmodelle zu erzeugen Aktuelle Entwicklungen und zukünftige Potentiale

Größe: px

Ab Seite anzeigen:

Download "Wie Maschinen lernen, 3D-Stadtmodelle zu erzeugen Aktuelle Entwicklungen und zukünftige Potentiale"

Adolf Bachmeier
vor 6 Jahren
Abrufe

1 Wie Maschinen lernen, 3D-Stadtmodelle zu erzeugen Aktuelle Entwicklungen und zukünftige Potentiale Prof. Dr.-Ing. Martin Kada Institut für Geodäsie und Geoinformationstechnik

2 Das Berlin 3D Projekt Berlin Gebäude auf 857 km² Fläche Datengrundlage: Digitales Oberflächenmodell mit bis zu 4 Punkten / m² Grundrisse aus der ALK Ca Schrägluftaufnahmen zur Texturierung 9 Monate (2008 / 2009)

Modellbasierte 3D-Gebäuderekonstruktion 1.

3 Modellbasierte 3D-Gebäuderekonstruktion 1. Definiere ein Modell, wie Gebäude geformt und konstruiert werden + 2. Extrahiere so viel Wissen aus den Datenquellen wie möglich 3. Passe die Modellbestandteile an die Daten an und konstruiere die 3D-Form

4 Modellbasierte 3D-Gebäuderekonstruktion Flexible Bibliothek gängiger (parametrisierbarer) Dachformen (Stochastische) Sprache für die Konstruktion komplexer Gebäudemodelle Halbautomatische Werkzeuge zur Korrektur und Konstruktion

5 Modellbasierte 3D-Gebäuderekonstruktion Hypothesen über die Dachform aufstellen aus 2D-Zerlegung der gegebenen Grundrisse homogenen Punktbereichen (gemäß lokaler Himmelsrichtungen) sowie Bruchkanten mittels robuster Methoden

6 Modellbasierte 3D-Gebäuderekonstruktion Passe die Dachprimitive an das gewonnene Wissen an Energieformulierung und Minimierung Beschränkung auf wenige Parameter Kombiniere und adjustiere Dachprimitive, um wohlgeformte Modelle zu erhalten

7 Das Berlin 3D Projekt

8 Das Berlin 3D Projekt Berlin 80% Automationsrate ca Gebäude manuell nachbearbeitet < 1s pro Gebäude ca. 6 Tage Prozessierungszeit 3,5 Mrd. 3D-Punkte 38 GB Daten

9 Das Berlin 3D Projekt Luftbildbefliegung von Berlin > 100 TB an Bilddaten 90 Mrd. 3D-Punkte

10 3D-Stadtmodelle Frankfurt am Main ( ) Weitere: Nürnberg ( ) Helsinki (80.000) Potsdam (43.000) Innsbruck (28.000) Freistaat Bayern ( ) Köln ( )

11 Datengetriebene 3D-Gebäuderekonstruktion 1. Extraktion von Gebäudepunkten 2. Segmentierung 3. Erzeugung von Berandungsflächen 5. Konstruktion des 3D-Modells 4. Merkmals- und Formerkennung

12 Graphen basierende Dachformerkennung Segmentierte 3D-Punktewolke Klassifizierte Schnittkanten Regionen Adjazenz Graph (RAG)

13 Graphen basierende Dachformerkennung

14 Graphen basierende Dachformerkennung Segmentierte 3D-Punktewolke Klassifizierte Schnittkanten Regionen Adjazenz Graph (RAG) Walmdach Satteldach Giebelgaube

15 Graphen basierende Dachformerkennung

16 Graphen basierende Dachformerkennung

17 Graphen basierende Dachformerkennung

18 Multiskaliger Wissensgraph

Multiskaliger Wissensgraph Multi-Scale Knowledge Graph Derivation Bottom-Up/Top-Down Phase Multiskaliger Wissensgraph Building Model GG 10 11 12 Multi-Scale Knowledge Graph Graph Grammar (GG)

19 Multiskaliger Wissensgraph Multi-Scale Knowledge Graph Derivation Bottom-Up/Top-Down Phase Multiskaliger Wissensgraph Building Model GG Multi-Scale Knowledge Graph Graph Grammar (GG) Super-Primitives GG 8 9 Primitives GG 6 7 Primitive Components Planar Segments 1 Initialization Phase Roof Topology Graph (incl. geometrical, topological, and locational information) 2 GG 3 GG 4 5 RTG labeled with semantic information

20 Graphengrammatik Ersetze im multiskaligen Wissensgraph die linke Seite der Produktionsregel durch die rechte Seite, unter der Voraussetzung, dass die Vorbedingung erfüllt ist

21 Graphengrammatik Ersetze im multiskaligen Wissensgraph die linke Seite der Produktionsregel durch die rechte Seite, unter der Voraussetzung, dass die Vorbedingung und die Nachbedingung erfüllt sind

22 Graphengrammatik Satz von ca. 50 bis 100 Produktionsregeln Linke Seite, Vor- und Nachbedingungen definieren welche Regel und wann eine Regel angewendet wird Reihenfolge Kontext Bei mehreren Alternativen Wahrscheinlichkeiten Verstärkendes Lernen verändert die Wahrscheinlichkeiten von Regeln

23 Graphengrammatik Verstärkendes Lernen Umgebung Belohnung Zustand Action Agent

ISPRS Benchmark Vaihingen 1 Comp [%] Corr [%] CKU 86.8 98.9 ITCE1 60.8 96.

4 96.2 VSK 72.2 96.7 YOR 88.2 98.5 MON 76.4 83.3 MON_mod 75.0 95.3 MON2 66.

24 ISPRS Benchmark Vaihingen 1 Comp [%] Corr [%] CKU ITCE ITCE ITCX ITCX ITCX TUD VSK YOR MON MON_mod MON TUD MEL_HE BNU MON TUB

ISPRS Benchmark Vaihingen 2 Comp [%] Corr [%] CKU 78.3 93.1 ITCE1 79.7 73.

1 VSK 73.9 100.0 YOR 66.7 100.0 CAS 63.8 100.0 MON 73.9 91.9 MON_mod 69.6 96.

25 ISPRS Benchmark Vaihingen 2 Comp [%] Corr [%] CKU ITCE ITCE ITCX ITCX ITCX TUD VSK YOR CAS MON MON_mod MON TUD MEL_HE BNU MON TUB

ISPRS Benchmark Vaihingen 3 Comp [%] Corr [%] CKU 81.3 98.4 FIE 82.6 83.1 ITCE1 67.7 100.0 ITCE2 64.

0 CAS 73.2 100.0 MON 82.1 93.9 KNTU 80.4 96.7 BNU 87.2 100.0 MON_mod 74.5 96.2 MON2 73.2 89.2 TUD2 73.

26 ISPRS Benchmark Vaihingen 3 Comp [%] Corr [%] CKU FIE ITCE ITCE ITCX ITCX ITCX TUD VSK YOR CAS MON KNTU BNU MON_mod MON TUD MEL_HE WROC WROC_2a WROC_2b MON TUB

27 ISPRS Benchmark Toronto 1 Comp [%] Corr [%] CKU YOR FIE MON2 TUB

28 ISPRS Benchmark Toronto 2 Comp [%] Corr [%] CKU YOR MON TUB

29 Deep Learning Neural Network (NN) Hund Pferd Kamel Katze Maus 5,8 2,7 1,3 9,8 4,4 Quelle:

Neuronales Netz Quelle: https://leonardoaraujosantos.

30 Deep Learning Convolutional Neural Network (CNN) Vollständig verbundenes Neuronales Netz Lokal verbundenes Neuronales Netz Quelle:

31 Trainingsdaten

32 Trainingsdaten

33 Trainingsdaten

34 Deep Learning Alfredo Canziani, Adam Paszke, Eugenio Culurciello, 2017: An Analysis of Deep Neural Network Models for Practical Applications

35 Deep Learning Klassifizierung Zu welcher Klasse gehört ein ungesehenes Objekt? Regressionsanalyse Welcher quantitativer Zusammenhang besteht zwischen Variablen?

36 Deep Learning von 3D-Stadtmodellen Trainingsdaten: Eingabe: 3D-Punktwolke, 3D-Raster, 2,5D DOM Ausgabe: 3D-Vektormodell - Randbeschreibung nicht lernbar 3D-Rastermodell - nicht wirklich gewünscht Parameterbeschreibung? Mathematische Beschreibung? Geeignete CNN-Architektur: Komponenten und Vorbilder existieren

37 PointNet - Klassifizierung Qi, C.R., Su, H., Leonidas, K.M., Guibas, JK., 2017: PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation, arxiv:

38 PointNet - Segmentierung Qi, C.R., Su, H., Leonidas, K.M., Guibas, JK., 2017: PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation, arxiv:

39 Deep Learning von 3D-Stadtmodellen

Thank you for your Attention! Wichmann, A., 2017.

40 Thank you for your Attention! Wichmann, A., Grammar-Guided Reconstruction of Semantic 3D Building Models From Airborne LiDAR Data Using Half-Space Modeling. Dissertation (eingereicht am ), Technische Universität Berlin

Ähnliche Dokumente

landesweiter Gebäudemodelle und

Ableitung landesweiter Gebäudemodelle und Vegetationslayer aus Laserscanning-Daten Fax: +43-(0)512-507 48 69 E-mail: office@laserdata.at www.laserdata.at Laserdata - Geschäftsbereiche Software für Laserscanning-Daten,