Building Floor Number Estimation from Crowdsourced Street-Level Images: Munich Dataset and Baseline Method

要約

建物の床の数、または地上階の階建てに関する正確な情報は、世帯の推定、公益事業の提供、リスク評価、避難計画、エネルギーモデリングに不可欠です。
しかし、大規模なフロアカウントデータは、Cadastralおよび3D Cityデータベースではめったに利用できません。
この研究では、無制限のクラウドソーシングされたストリートレベルの画像から床数を直接エンドするエンドツーエンドの深い学習フレームワークを提案し、手作りの機能を避け、多様なファサードスタイル全体に一般化します。
ベンチマークを有効にするために、Munich Building Floor Datasetをリリースします。これは、Mapillaryとターゲットのフィールド写真から収集された6800を超えるジオタグ付き画像の公開セットで、それぞれが検証済みの階のラベルと組み合わされています。
このデータセットでは、提案された分類回​​帰ネットワークは81.2％の正確性を達成し、+/- 1フロア内の建物の97.9％を予測します。
この方法とデータセットは、垂直情報を備えた3Dシティモデルを豊かにするためのスケーラブルなルートを提供し、都市の情報学、リモートセンシング、地理情報科学の将来の作業の基盤を築きます。
ソースコードとデータは、https://github.com/ya0-sun/munich-svi-floorベンチマークのオープンライセンスでリリースされます。

要約(オリジナル)

Accurate information on the number of building floors, or above-ground storeys, is essential for household estimation, utility provision, risk assessment, evacuation planning, and energy modeling. Yet large-scale floor-count data are rarely available in cadastral and 3D city databases. This study proposes an end-to-end deep learning framework that infers floor numbers directly from unrestricted, crowdsourced street-level imagery, avoiding hand-crafted features and generalizing across diverse facade styles. To enable benchmarking, we release the Munich Building Floor Dataset, a public set of over 6800 geo-tagged images collected from Mapillary and targeted field photography, each paired with a verified storey label. On this dataset, the proposed classification-regression network attains 81.2% exact accuracy and predicts 97.9% of buildings within +/-1 floor. The method and dataset together offer a scalable route to enrich 3D city models with vertical information and lay a foundation for future work in urban informatics, remote sensing, and geographic information science. Source code and data will be released under an open license at https://github.com/ya0-sun/Munich-SVI-Floor-Benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google