Combining visibility analysis and deep learning for refinement of semantic 3D building models by conflict classification

要約

セマンティック 3D 建物モデルは広く利用可能であり、多数のアプリケーションで使用されています。
このような 3D 建物モデルは、主に空中からの取得技術により、豊かなセマンティクスを示しますが、ファサードの開口部はありません。
したがって、密集した道路レベルの地上の点群を使用してモデルのファサードを改良することは、有望な戦略のようです。
この論文では、窓とドアの特徴を備えた 3D モデルを強化するために、可視性分析とニューラル ネットワークを組み合わせる方法を提案します。
この方法では、占有ボクセルが分類された点群と融合され、ボクセルにセマンティクスが提供されます。
ボクセルは、レーザー観測と 3D モデルの間の競合を識別するためにも使用されます。
セマンティック ボクセルとコンフリクトはベイジアン ネットワークで結合され、3D モデル ライブラリを使用して再構築されるファサード開口部を分類および描写します。
更新されたものが追加されている間、影響を受けない建物のセマンティクスが保持されるため、建物モデルが LoD3 にアップグレードされます。
さらに、ベイジアン ネットワークの結果は点群に逆投影され、点の分類精度が向上します。
地方自治体の CityGML LoD2 リポジトリとオープン ポイント クラウド データセット (TUM-MLS-2016 および TUM-FA\c{C}ADE) でこの方法をテストしました。
検証結果は、この方法が点群のセマンティック セグメンテーションの精度を向上させ、ファサード要素で建物をアップグレードすることを明らかにしました。
この方法は、都市シミュレーションの精度を高め、セマンティック セグメンテーション アルゴリズムの開発を容易にするために適用できます。

要約(オリジナル)

Semantic 3D building models are widely available and used in numerous applications. Such 3D building models display rich semantics but no fa\c{c}ade openings, chiefly owing to their aerial acquisition techniques. Hence, refining models’ fa\c{c}ades using dense, street-level, terrestrial point clouds seems a promising strategy. In this paper, we propose a method of combining visibility analysis and neural networks for enriching 3D models with window and door features. In the method, occupancy voxels are fused with classified point clouds, which provides semantics to voxels. Voxels are also used to identify conflicts between laser observations and 3D models. The semantic voxels and conflicts are combined in a Bayesian network to classify and delineate fa\c{c}ade openings, which are reconstructed using a 3D model library. Unaffected building semantics is preserved while the updated one is added, thereby upgrading the building model to LoD3. Moreover, Bayesian network results are back-projected onto point clouds to improve points’ classification accuracy. We tested our method on a municipal CityGML LoD2 repository and the open point cloud datasets: TUM-MLS-2016 and TUM-FA\c{C}ADE. Validation results revealed that the method improves the accuracy of point cloud semantic segmentation and upgrades buildings with fa\c{c}ade elements. The method can be applied to enhance the accuracy of urban simulations and facilitate the development of semantic segmentation algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google