基于街景图像与 OpenStreetMap 的半监督学习用于建筑物高度自动估算
计算机视觉与模式识别
2023-07-07 v1 机器学习
摘要
准确的建筑物高度估算是从新兴大数据地理空间数据（包括志愿地理信息（VGI））自动推导 3D 城市模型的关键。然而，目前尚缺基于低成本 VGI 数据的大规模建筑物高度自动估算方案。VGI 数据平台的快速发展，尤其是 OpenStreetMap（OSM）与众包街景图像（SVI），为填补该研究空白提供了契机。本工作中，我们提出一种半监督学习（SSL）方法，从 Mapillary SVI 与 OSM 数据自动估算建筑物高度，以生成低成本、开源的 LoD1 级 3D 城市模型。所提方法包含三部分：首先，我们提出一种 SSL 框架，可在有监督回归中设置不同比例的“伪标签”选项；其次，我们从 OSM 数据（即建筑物与街道）提取多级形态度量特征以推断建筑物高度；最后，我们设计了一种建筑物楼层估算流程，利用预训练立面目标检测网络从 SVI 生成“伪标签”并赋给相应 OSM 建筑 footprint。在案例研究中，我们在德国海德堡市验证了所提 SSL 方法，并依据建筑物高度参考数据评估模型性能。基于随机森林（RF）、支持向量机（SVM）与卷积神经网络（CNN）三种回归模型，SSL 方法在建筑物高度估算上取得明显性能提升，平均绝对误差（MAE）约 2.1 米，与当前最优方法相当。初步结果令人鼓舞，激励我们未来基于低成本 VGI 数据扩展所提方法，并有望应用于数据质量与可得性各异的区域。
引用
@article{arxiv.2307.02574,
title = {Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation},
author = {Hao Li and Zhendong Yuan and Gabriel Dax and Gefei Kong and Hongchao Fan and Alexander Zipf and Martin Werner},
journal= {arXiv preprint arXiv:2307.02574},
year = {2023}
}
备注
Accepted for GIScience 2023