要約
タイトル：知識グラフとマルチスケールデータの統合による高次地理的コンセプトの推論：C字型建物パターン認識の事例研究
要約：
– 優れた建物パターンの認識は、都市形態の理解、地図の自動一般化、および3D都市モデルの視覚化にとって重要である。
– 既存の研究は、パターンを抽出するために、視覚知覚ルールと近接グラフモデルに基づくオブジェクト非依存型の方法を使用しているが、人間の視覚はパーツベースのシステムであるため、パターン認識には形状をパーツに分解するか、クラスターにグループ化する必要がある場合がある。
– 既存の方法では、すべての視覚的に認識可能なパターンを認識できない場合があり、近接グラフモデルは効率的ではない場合がある。
– 効率性と効果性を向上させるために、C字型建物パターンの認識に焦点を当て、知識グラフを使用してマルチスケールデータを統合する。
– 最初に、C字型建物パターン認識に関与する異なるスケール内およびスケール間の建物の関係を表すプロパティグラフを使用する。
– 次に、この知識グラフをグラフデータベースに保存し、C字型パターン認識と拡張のための規則をクエリ条件に変換する。
– 最後に、構築された知識グラフ内でルールベースの推論を使用して、C字型建物パターンを認識および拡張する。
– ガオデマップから収集された3つの詳細レベル（LOD1、LOD2、LOD3）のマルチスケールデータを使用して、我々の方法の効果を検証し、既存のアプローチと比較して、LOD1で26.4％、LOD2で20.0％、LOD3で9.1％のより高い再現率を達成することを示した。また、認識効率の向上も実現した。
要約(オリジナル)
Effective building pattern recognition is critical for understanding urban form, automating map generalization, and visualizing 3D city models. Most existing studies use object-independent methods based on visual perception rules and proximity graph models to extract patterns. However, because human vision is a part-based system, pattern recognition may require decomposing shapes into parts or grouping them into clusters. Existing methods may not recognize all visually aware patterns, and the proximity graph model can be inefficient. To improve efficiency and effectiveness, we integrate multi-scale data using a knowledge graph, focusing on the recognition of C-shaped building patterns. First, we use a property graph to represent the relationships between buildings within and across different scales involved in C-shaped building pattern recognition. Next, we store this knowledge graph in a graph database and convert the rules for C-shaped pattern recognition and enrichment into query conditions. Finally, we recognize and enrich C-shaped building patterns using rule-based reasoning in the built knowledge graph. We verify the effectiveness of our method using multi-scale data with three levels of detail (LODs) collected from the Gaode Map. Our results show that our method achieves a higher recall rate of 26.4% for LOD1, 20.0% for LOD2, and 9.1% for LOD3 compared to existing approaches. We also achieve recognition efficiency improvements of 0.91, 1.37, and 9.35 times, respectively.
arxiv情報
| 著者 | Zhiwei Wei,Yi Xiao,Wenjia Xu,Mi Shu,Lu Cheng,Yang Wang,Chunbo Liu |
| 発行日 | 2023-04-19 03:03:50+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, OpenAI