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

Semantic labelling of building types A comparison of two approaches using Random Forest and Deep Learning

Droin, Ariane und Wurm, Michael und Sulzer, Wolfgang (2020) Semantic labelling of building types A comparison of two approaches using Random Forest and Deep Learning. In: Publikationen der Deutschen Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation e.V., Seiten 527-538. Deutsche Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation e.V.. 40. Wissenschaftlich-TechnischeJahrestagung der DGPF, 2020-03-04 - 2020-03-06, Stuttgart, Deutschland. ISSN ISSN 0942-2870.

[img] PDF - Nur DLR-intern zugänglich
1MB

Offizielle URL: https://www.dgpf.de/src/tagung/jt2020/proceedings/proceedings/papers/76_KKNP_DGPF2020_Droin_et_al.pdf

Kurzfassung

In the context of sustainable planning, knowledge about building type is crucial. Yet, this information is scarce and mostly inhomogeneous. In regard to the big-data era, two approaches for building type classification are presented based on different data basis. The first approach shows semantic classification of building footprints using a set of features (simple geometric, morphological and topological features) and the machine learning algorithm Random Forest. Very high accuracies for the federal states of Germany could be achieved with Kappa Coefficients between 0.87 and 0.98. The second framework presents the possibility to conduct semantic labelling of aerial images using Fully Convolutional Neural Networks. The gained accuracy in this case is a Kappa of 0.73 for the federal state of Berlin.

elib-URL des Eintrags:https://elib.dlr.de/134772/
Dokumentart:Konferenzbeitrag (Poster)
Titel:Semantic labelling of building types A comparison of two approaches using Random Forest and Deep Learning
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Droin, Arianeariane.droin (at) dlr.dehttps://orcid.org/0009-0001-0878-700XNICHT SPEZIFIZIERT
Wurm, Michaelmichael.wurm (at) dlr.dehttps://orcid.org/0000-0001-5967-1894NICHT SPEZIFIZIERT
Sulzer, Wolfgangwolfgang.sulzer (at) uni-graz.athttps://orcid.org/0000-0001-6040-2405NICHT SPEZIFIZIERT
Datum:2020
Erschienen in:Publikationen der Deutschen Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation e.V.
Referierte Publikation:Nein
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Seitenbereich:Seiten 527-538
Herausgeber:
HerausgeberInstitution und/oder E-Mail-Adresse der HerausgeberHerausgeber-ORCID-iDORCID Put Code
Kersten, Thomas P.HafenCity Universität Hamburg Thomas.Kersten (at) hcu-hamburg.dehttps://orcid.org/0000-0001-8910-2887NICHT SPEZIFIZIERT
Verlag:Deutsche Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation e.V.
ISSN:ISSN 0942-2870
Status:veröffentlicht
Stichwörter:Machine Learning, Semantic Labelling, Deep Learning, LoD1
Veranstaltungstitel:40. Wissenschaftlich-TechnischeJahrestagung der DGPF
Veranstaltungsort:Stuttgart, Deutschland
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:4 März 2020
Veranstaltungsende:6 März 2020
Veranstalter :Deutsche Gesellschaft für Photogrammetrie und Fernerkundung
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 - Fernerkundung u. Geoforschung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Deutsches Fernerkundungsdatenzentrum > Georisiken und zivile Sicherheit
Hinterlegt von: Droin, Ariane
Hinterlegt am:22 Jun 2020 08:11
Letzte Änderung:24 Apr 2024 20:37

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.