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

Building instance classification using street view images

Kang, Jian und Körner, Marco und Wang, Yuanyuan und Taubenböck, Hannes und Zhu, Xiao Xiang (2018) Building instance classification using street view images. ISPRS Journal of Photogrammetry and Remote Sensing, 145 (A), Seiten 44-59. Elsevier. doi: 10.1016/j.isprsjprs.2018.02.006. ISSN 0924-2716.

Dies ist die aktuellste Version dieses Eintrags.

[img] PDF
10MB

Offizielle URL: https://www.sciencedirect.com/science/article/pii/S0924271618300352

Kurzfassung

Land-use classification based on spaceborne or aerial remote sensing images has been extensively studied over the past decades. Such classification is usually a patch-wise or pixel-wise labeling over the whole image. But for many applications, such as urban population density mapping or urban utility planning, a classification map based on individual buildings is much more informative. However, such semantic classification still poses some fundamental challenges, for example, how to retrieve fine boundaries of individual buildings. In this paper, we proposed a general framework for classifying the functionality of individual buildings. The proposed method is based on Convolutional Neural Networks (CNNs) which classify façade structures from street view images, such as Google StreetView, in addition to remote sensing images which usually only show roof structures. Geographic information was utilized to mask out individual buildings, and to associate the corresponding street view images. We created a benchmark dataset which was used for training and evaluating CNNs. In addition, the method was applied to generate building classification maps on both region and city scales of several cities in Canada and the US.

elib-URL des Eintrags:https://elib.dlr.de/124194/
Dokumentart:Zeitschriftenbeitrag
Zusätzliche Informationen:so2sat; relevancy 4;
Titel:Building instance classification using street view images
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Kang, JiantumNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Körner, Marcomarco.koerner (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Wang, Yuanyuantumhttps://orcid.org/0000-0002-0586-9413NICHT SPEZIFIZIERT
Taubenböck, Hanneshannes.taubenboeck (at) dlr.dehttps://orcid.org/0000-0003-4360-9126NICHT SPEZIFIZIERT
Zhu, Xiao XiangDLR-IMF/TUM-LMFNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2 März 2018
Erschienen in:ISPRS Journal of Photogrammetry and Remote Sensing
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:145
DOI:10.1016/j.isprsjprs.2018.02.006
Seitenbereich:Seiten 44-59
Verlag:Elsevier
ISSN:0924-2716
Status:veröffentlicht
Stichwörter:CNN, individual building classification, building instance, street view image, deep learning, remote sensing, data fusion
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)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Deutsches Fernerkundungsdatenzentrum > Georisiken und zivile Sicherheit
Hinterlegt von: Wang, Yuanyuan
Hinterlegt am:04 Dez 2018 13:08
Letzte Änderung:02 Nov 2023 11:57

Verfügbare Versionen dieses Eintrags

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.