elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Roof Type Selection based on patch-based classsification using deep learning for high Resolution Satellite Imagery

Partovi, Tahmineh und Fraundorfer, Friedrich und Azimi, Seyedmajid und Marmanis, Dimitrios und Reinartz, Peter (2017) Roof Type Selection based on patch-based classsification using deep learning for high Resolution Satellite Imagery. In: International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, XLII-1 (W1), Seiten 653-657. Copernicus Publications. ISPRS Hannover Workshop: HRIGI 17, 2017-06-06 - 2017-06-09, Hannover, Germany. doi: 10.5194/isprs-archives-XLII-1-W1-653-2017.

[img] PDF
1MB

Offizielle URL: http://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XLII-1-W1/653/2017/

Kurzfassung

3D building reconstruction from remote sensing image data from satellites is still an active research topic and very valuable for 3D city modelling. The roof model is the most important component to reconstruct the Level of Details 2 (LoD2) for a building in 3D modelling. While the general solution for roof modelling relies on the detailed cues (such as lines, corners and planes) extracted from a Digital Surface Model (DSM), the correct detection of the roof type and its modelling can fail due to low quality of the DSM generated by dense stereo matching. To reduce dependencies of roof modelling on DSMs, the pansharpened satellite images as a rich resource of information are used in addition. In this paper, two strategies are employed for roof type classification. In the first one, building roof types are classified in a state-of-the-art supervised pre-trained convolutional neural network (CNN) framework. In the second strategy, deep features from deep layers of different pre-trained CNN model are extracted and then an RBF kernel using SVM is employed to classify the building roof type. Based on roof complexity of the scene, a roof library including seven types of roofs is defined. A new semi-automatic method is proposed to generate training and test patches of each roof type in the library. Using the pre-trained CNN model does not only decrease the computation time for training significantly but also increases the classification accuracy.

elib-URL des Eintrags:https://elib.dlr.de/112899/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Roof Type Selection based on patch-based classsification using deep learning for high Resolution Satellite Imagery
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Partovi, Tahminehtahmineh.partovi (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Fraundorfer, Friedrichfriedrich.fraundorfer (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Azimi, SeyedmajidSeyedmajid.Azimi (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Marmanis, Dimitriosdimitrios.marmanis (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Reinartz, Peterpeter.reinartz (at) dlr.dehttps://orcid.org/0000-0002-8122-1475NICHT SPEZIFIZIERT
Datum:2017
Erschienen in:International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives
Referierte Publikation:Nein
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
Band:XLII-1
DOI:10.5194/isprs-archives-XLII-1-W1-653-2017
Seitenbereich:Seiten 653-657
Herausgeber:
HerausgeberInstitution und/oder E-Mail-Adresse der HerausgeberHerausgeber-ORCID-iDORCID Put Code
NICHT SPEZIFIZIERTISPRS Org.NICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Verlag:Copernicus Publications
Status:veröffentlicht
Stichwörter:Roof Reconstruction, High Resolution Satellite Imagery, Deep Learning Method, Convolutional Neural Networks
Veranstaltungstitel:ISPRS Hannover Workshop: HRIGI 17
Veranstaltungsort:Hannover, Germany
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:6 Juni 2017
Veranstaltungsende:9 Juni 2017
Veranstalter :ISPRS
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Vorhaben hochauflösende Fernerkundungsverfahren (alt), R - Optische Fernerkundung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > Photogrammetrie und Bildanalyse
Hinterlegt von:UNGÜLTIGER BENUTZER
Hinterlegt am:30 Jun 2017 13:31
Letzte Änderung:24 Apr 2024 20:17

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.