Früher|Nächster

3D点云震害建筑物深度学习样本增强方法

  • role： First author第一作者
  • Affiliation：

    Laboratory of Earthquake Numerical Prediction and Risk Prediction, Institute of Earthquake Forecasting, CEA, Beijing 100036, China

  • Email：15738510390@163.com
  • Introduction：崔驿宁，研究方向为遥感与GIS应用。E-mail：15738510390@163.com
CUI Yining1,  
  • role： Corresponding author通信作者
  • Affiliation：

    Laboratory of Earthquake Numerical Prediction and Risk Prediction, Institute of Earthquake Forecasting, CEA, Beijing 100036, China

  • Email：axdothy@163.com
  • Introduction：窦爱霞，研究方向为多源遥感地震灾害监测与风险评估、空间技术综合减灾应用。E-mail：axdothy@163.com
DOU Aixia1*,  
  • Affiliation：

    Beijing MAG Tianhong Science&Technology Development Co., Ltd, Beijing 100089, China

YANG Shenning2

Resümee

Um das Problem der automatischen Identifizierung von Schäden an Gebäuden aus LiDAR-Punktwolken in komplexen Szenarien nach einem Erdbeben zu lösen, um den Anforderungen an Geschwindigkeit und Genauigkeit in Notfallsituationen gerecht zu werden, um sich von der traditionellen manuellen Extraktion von Schadensmerkmalen zu verabschieden und die Informationen über Gebäudeschäden in betroffenen Gebieten voll auszunutzen, und um anschließend die automatische und intelligente Identifizierung von Gebäuden zu realisieren. Dieser Artikel wendet die Methode des tiefen Lernens von 3D-Punktwolken zur Identifizierung von Gebäudeschäden an, hat eine Datenbank von Punktwolken erstellt, die Schadensarten wie Einsturz, teilweiser Einsturz und Nicht-Einsturz enthält. Das Netzwerk PointNet++ untersucht den Einfluss des Volumens und des Gleichgewichts der Stichproben auf die Identifikationsgenauigkeit und schlägt eine Methode zur Verbesserung von Proben von beschädigten Gebäuden vor, um die Punktformen in Proben verschiedener Klassen zu bereichern. Basierend auf LiDAR-Daten nach dem Erdbeben mit einer Stärke von 7,0 in Haiti im Jahr 2010 wurde die Klassifizierungsgenauigkeit vor und nach der Verbesserung der Proben im Netzwerk PointNet++ verglichen, die Ergebnisse zeigten eine Verbesserung der Klassifizierungsgenauigkeit von Einstürzen und teilweisen Einstürzen um 27% bzw. 17% nach der Verbesserung der Proben, und eine Steigerung der durchschnittlichen Klassifizierungsgenauigkeit und des Kappa-Koeffizienten um 15%. Die Ergebnisse der Experimente zeigen, dass das dreidimensionale Modell des tiefen Lernens von Gebäudeschäden eine gute Verbesserung bei der Klassifizierung aufweist, wenn das Volumen und das Gleichgewicht der Proben für alle Klassen ausreichend sind.

Schlüsselwort

remote sensing;classification and recognition;PointNet++;sample enhancement;LiDAR point cloud;seismic damage buildings

References

  1. 1.
    Deng F, Dou A X and Wang X Q. 2018. Fusion of aerial imagery and airborne LiDAR data for post-earthquake building point extraction. Journal of Remote Sensing, 22(S1): 224-232
  2. 2.
    Dou A X. 2018. Study on Earthquake Damage Identification Feature Parameters of Buildings Based on Airborne LiDAR Data. Beijing: Institute of Geology, Earthquake Administration
  3. 3.
    Gerke M and Xiao J. 2014. Fusion of airborne laserscanning point clouds and images for supervised and unsupervised scene classification. ISPRS Journal of Photogrammetry and Remote Sensing, 87: 78-92
  4. 4.
    Gong W P, Li Y F, Chen Z and Long C. 2013. A study of fast building extraction from airborne LiDAR point cloud data. Urban Geotechnical Investigation and Surveying, (3): 84-88
  5. 5.
    Hu B G. 2013. Object-Oriented Damage Building Extraction Based on Lidar and High Resolution Remote Sensing Imagery. Chengdu: Southwest Jiaotong University
  6. 6.
    Huang S S, Dou A X, Wang X Q and Yuan X X. 2016. Building damage feature analyses based on post-earthquake airborne LiDAR data. Acta Seismologica Sinica, 38(3): 467-476
  7. 7.
    Kalogerakis E, Averkiou M, Maji S and Chaudhuri. 2017. 3D shape segmentation with projective convolutional networks//Proceedings of 2017 Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu: IEEE
  8. 8.
    Klokov R and Lempitsky V. 2017. Escape from cells: deep Kd-networks for the recognition of 3D point cloud models//Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV). Venice: IEEE. 863-872
  9. 9.
    Li Y Y, Bu R, Sun M C, Wu W, Di X H and Chen B Q. 2018. PointCNN: convolution on X-transformed points//Proceedings of the 32nd International Conference on Neural Information Processing Systems. Montreal: Curran Associates Inc
  10. 10.
    Lu Q, Chen C, Xie W J and Luo Y T. 2020. PointNGCNN: deep convolutional networks on 3D point clouds with neighborhood graph filters. Computers and Graphics, 86: 42-51
  11. 11.
    Ma W, Yue J P and Cao S. 2010. Building edge extraction from LIDAR data based on images segmentation. Geography and Geographic Information Science, 26(4): 57-59, 63
  12. 12.
    Maturana D and Scherer S. 2015. VoxNet: A 3D convolutional neural network for real-time object recognition//Proceedings of 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Hamburg: IEEE
  13. 13.
    Qi C R, Su H, Mo K, Kaichun M and Guibas L J. 2017a. PointNet: deep learning on point sets for 3D classification and segmentation//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE
  14. 14.
    Qi C R, Yi L, Su H and Guibas L J. 2017b. PointNet＋＋: deep hierarchical feature learning on point sets in a metric space//Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach: Curran Associates Inc
  15. 15.
    Riegler G, Ulusoy A O and Geiger A. 2017. OctNet: learning deep 3D representations at high resolutions//Proceedings of 2017 Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu: IEEE: 3577-3586
  16. 16.
    Sinha A, Bai J and Ramani K. 2016. Deep learning 3D shape surfaces using geometry images//Proceedings of the 14th European Conference on Computer Vision. Amsterdam: Springer: 223-240
  17. 17.
    Su H, Maji S, Kalogerakis E and Learned-Miller E. 2015. Multi-view convolutional neural networks for 3D shape recognition//Proceedings of 2015 IEEE International Conference on Computer Vision. Santiago: IEEE
  18. 18.
    Turker M and Koc-San D. 2015. Building extraction from high-resolution optical spaceborne images using the integration of support vector machine (SVM) classification, Hough transformation and perceptual grouping. International Journal of Applied Earth Observation and Geoinformation, 34: 58-69
  19. 19.
    Wang C F. 2013. Detection of Collapsed Building by Classifying Airborne Laser Scanner Data. Chengdu: Southwest Jiaotong University
  20. 20.
    Wang J X, Dou A X, Wang X Q, Huang S S and Zhang X H. 2017. The ground-objects classification based on post-earthquake airborne LiDAR Data. Technology for Earthquake Disaster Prevention, 12(3): 677-689
  21. 21.
    Wu Z R, Song S R, Khosla A, Yu F, Zhang L G, Tang X O and Xiao J X. 2015. 3D ShapeNets: a deep representation for volumetric shapes//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston: IEEE
  22. 22.
    Yu H Y, Cheng G, Zhang Y M and Lu X P. 2011. The detection of earthquake-caused collapsed building information from LiDAR data and aerophotograph. Remote Sensing for Land and Resources, (3): 77-81
  23. 23.
    Zhang W M, Qi J B, Wan P, Wang H T, Xie D H, Wang X Y and Yan G J. 2016. An easy-to-use airborne LiDAR data filtering method based on cloth simulation. Remote Sensing, 8(6): 501
  24. 24.
    Zhao H S, Jiang L, Fu C W and Jia J Y. 2019. PointWeb: enhancing local neighborhood features for point cloud processing//Proceedings of 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach: IEEE: 5565-5573

Lesen Sie die ganze Passage

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website