利用虚拟激光扫描数据训练的机器学习模型从多时相摄影测量点云分类建筑结构损伤等级
计算机视觉与模式识别
2023-02-27 v1
摘要
基于无人机获取的三维点云自动损伤评估可在地震后快速提供损伤态势信息。然而，由于损伤模式多样且现有方法对其他地理区域或数据源的可迁移性有限，多等级损伤的评估具有挑战性。我们提出了一种新方法，利用在虚拟激光扫描（VLS）数据上训练的机器学习模型，从真实世界多时相点云中自动评估多类建筑损伤。我们（1）识别对象特定的变化特征，（2）分离已变化和未变化的建筑部分，（3）基于对象特定的变化特征用VLS数据训练随机森林机器学习模型，（4）使用该分类器评估基于摄影测量的密集图像匹配（DIM）真实世界点云中的建筑损伤。我们针对分类器在真实地震事件前后DIM点云中分类三种损伤等级（重度、极度、毁坏）的能力，评估了在不同输入数据上训练的分类器。我们的方法在模型训练（VLS）与应用（DIM）所使用的多源输入点云方面具有可迁移性。我们进一步通过在表征不同地理区域相关损伤等级的几何变化模拟数据上训练模型，实现了模型的地理可迁移性。该模型取得了较高的多目标分类精度（总体精度：92.0% - 95.1%）。当使用真实世界区域特定训练数据时，其性能仅略有提升（总体精度提高 < 3%），当使用真实世界区域特定训练数据时，其性能提高 < 2%。我们认为我们的方法适用于需要及时损伤态势信息且缺乏充足真实世界训练数据的应用场景。
引用
@article{arxiv.2302.12591,
title = {Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data},
author = {Vivien Zahs and Katharina Anders and Julia Kohns and Alexander Stark and Bernhard Höfle},
journal= {arXiv preprint arXiv:2302.12591},
year = {2023}
}
备注
29 pages, 12 figures