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

Building Section Instance Segmentation with Combined Classical and Deep Learning Methods

Schuegraf, Philipp und Schnell, Julian und Henry, Corentin und Bittner, Ksenia (2022) Building Section Instance Segmentation with Combined Classical and Deep Learning Methods. In: ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences (2), Seiten 407-414. Copernicus Publications. ISPRS Congress 2022, 2022-06-06 - 2022-06-11, Nice, France. doi: 10.5194/isprs-annals-V-2-2022-407-2022. ISSN 2194-9042.

[img] PDF
26MB

Offizielle URL: https://isprs-annals.copernicus.org/articles/V-2-2022/407/2022/

Kurzfassung

In big cities, the complexity of urban infrastructure is very high. In city centers, one construction can consist of several building sections of different heights or roof geometries. Most of the existing approaches detect those buildings as a single construction in the form of binary building segmentation maps or as one instance of object-oriented segmentation. However, reconstructing complex buildings consisting of several parts requires a higher level of detail. In this work, we present a methodology for individual building section instance segmentation on satellite imagery. We show that fully convolutional networks (FCNs) can tackle the issue much better than the state-of-the-art Mask-RCNN. A ground truth raster image with pixel value 1 for building sections and 2 for their touching borders was generated to train models on predicting both classes as a semantic output. The semantic outputs were then post-processed with the help of morphology and watershed labeling to generate segmentation on the instance level. The combination of a deep learning-based approach and a classical image processing algorithm allowed us to fulfill the segmentation task on the instance level and reach high-quality results with an mAP of up to 42 %.

elib-URL des Eintrags:https://elib.dlr.de/195012/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Building Section Instance Segmentation with Combined Classical and Deep Learning Methods
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Schuegraf, PhilippPhilipp.Schuegraf (at) dlr.dehttps://orcid.org/0000-0003-0836-9040134848373
Schnell, JulianTechnical University of Darmstadthttps://orcid.org/0000-0001-6919-4331NICHT SPEZIFIZIERT
Henry, Corentincorentin.henry (at) dlr.dehttps://orcid.org/0000-0002-4330-3058NICHT SPEZIFIZIERT
Bittner, KseniaKsenia.Bittner (at) dlr.dehttps://orcid.org/0000-0002-4048-3583NICHT SPEZIFIZIERT
Datum:Mai 2022
Erschienen in:ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
DOI:10.5194/isprs-annals-V-2-2022-407-2022
Seitenbereich:Seiten 407-414
Verlag:Copernicus Publications
ISSN:2194-9042
Status:veröffentlicht
Stichwörter:Building instance segmentation, high-resolution satellite imagery, WorldView-4, deep learning, watershed labeling, semantic segmentation, AI4BuildingModeling
Veranstaltungstitel:ISPRS Congress 2022
Veranstaltungsort:Nice, France
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:6 Juni 2022
Veranstaltungsende:11 Juni 2022
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 - Optische Fernerkundung, D - Digitaler Atlas 2.0, V - V&V4NGC - Methoden, Prozesse und Werkzeugketten für die Validierung & Verifikation von NGC
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > Photogrammetrie und Bildanalyse
Hinterlegt von: Schuegraf, Philipp
Hinterlegt am:11 Mai 2023 12:15
Letzte Änderung:28 Mai 2024 10:34

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.