Urban Analytics
Die automatische Interpretation und Rekonstruktion detaillierter urbanen Strukturen ist ein aktuelles noch offenes Forschungsgebiet. Insbesondere bei schwachen Beobachtungen gestaltet sich diese Aufgabe als schwierig. Um dieser Aufgabe gerecht zu werden, setzen wir Reasoning-Ansätze sowie maschinelles Lernen ein, um detaillierte Modelle aus nicht unbedingt voll beobachteten Objekten herzuleiten. Hierfür werden Modellvorwissen in Form von Verteilungen zusammen mit architektonischen Mustern als Constraints stark eingesetzt. Zur Modellierung und Propagierung von Unsicherheit kommen graphische und relationale Modelle zum Einsatz.
Ansprechpartner
Prof. Dr.-Ing. Jan-Henrik Haunert
Web-Demos
-
Schematisierte Reisezeitenkarten für den ÖPNV:
http://www2.geoinfo.uni-bonn.de/html/visualization/multimodal_traveltime-maps/
Ausgewählte Arbeiten
Multimodal travel-time maps with formally correct and schematic isochrones In diesem Artikel stellen wir ein Verfahren zur automatischen Generierung von schematischen Reisezeitenkarten für den öffentlichen Personennahverkehr (ÖPNV) vor. Reisezeitenkarten zeigen dem Betrachter Zonen, die innerhalb einer bestimmten Zeit von einem gegebenen Startpunkt aus erreichbar sind. Unser Verfahren schematisiert die entstehenden Zeitzonen indem nur horizontale, vertikale oder diagonale Kanten erlaubt werden (Okilinearität). Diese Darstellung ist z.B. aus ÖPNV-Netzen bekannt und erhöht die Lesbarkeit der Karte. Forsch, A., Dehbi, Y., Niedermann, B., Oehrlein, J., Rottmann, P., & Haunert, J. H. (2021).Multimodal travel-time maps with formally correct and schematic isochrones Transactions in GIS, 00:1–24. |
![]() |
Statistical Relational Learning of Grammar Rules for 3D Building Reconstruction In diesem Artikel stellen wir ein Verfahren zur automatischen Interpretation von 3D Punktwolken zur Gebäuderekonstruktion vor. Für die 3D-Modellierung von Gebäuden kommen gewichtete attributierte kontextfreie Grammatiken zum Einsatz. Die Strukturen und die semantischen Hierarchien von Fassaden wurden mittels maschinellen Lernens automatisch aus einer annotierten Treebank abgeleitet. Die Relationen und Bedingungen zwischen Gebäudeteilen, wie z.B. Fenstern, wurden automatisch unter Benutzung statistischen relationalen Lernens gelernt. Dies erlaubt die Berücksichtigung von Beziehungen zwischen nicht unbedingt benachbarten Gebäudeteilen sowie den Umgang mit verdeckten Fassadenobjekten. Dehbi, Y, Hadiji, F, Gröger, G, Kersting, K, and Plümer, L (2017).Statistical Relational Learning of Grammar Rules for 3D Building Reconstruction Transactions in GIS, 21(1):134–150. |
![]() |
Estimation of 3D Indoor Models with Constraint Propagation and Stochastic Reasoning in the Absence of Indoor Measurements Die existierenden Verfahren zur automatischen Erstellung von Raumplänen setzen dichte Beobachtungen voraus. In diesem Artikel präsentieren wir einen neuen Ansatz zur Prädiktion von Raumplänen aus schwachen Beobachtungen wie Grundriss und Raumflächen. Das Verfahren stellt im Rahmen eines Reasoningsprozesses die wahrscheinlichsten Raumhypothesen zur Verfügung. Der Übergang von Flächenangaben zur Platzierung von Räumen im Grundriss ist als Constraint Satisfaction Problem gestellt. Zur effizienten Ermittlung der Lage- und Formparameter der Räume kommen graphische Modelle zum Einsatz. Das Reasoning profitiert von gelerntem statistischen Hintergrundwissen sowie architektonischen Regelmäßigkeiten, die für Gebäude charakteristisch sind. Loch-Dehbi, S, Dehbi, Y, and Plümer, L (2017).Estimation of 3D Indoor Models with Constraint Propagation and Stochastic Reasoning in the Absence of Indoor Measurements ISPRS International Journal of Geo-Information, 6(3, article number = 90). |
![]() |
Identification and modelling of translational and axial symmetries and their hierarchical structures in building footprints by formal grammars Gebäude sind oftmals durch symmetrische Strukturen aus ästhetischen und wirtschaftlichen Gründen charakterisiert. Symmetrien dominieren insbesondere Grundrisse und Fassaden. In diesem Artikel wird ein Verfahren zur automatischen Erkennung von Translations- und Spiegelsymmetrien in Grundrissen vorgestellt. Mittels Mustererkennung ermittelte Symmetrien sind anschließend nach einer lexikalischen Analyse mit formalen Grammatiken modelliert. Diese Information wird als Hintergrundwissen zur Fassaden- und Dachrekonstruktion verwendet. Dehbi, Y, Gröger, G, and Plümer, L (2016).Identification and modelling of translational and axial symmetries and their hierarchical structures in building footprints by formal grammars Transactions in GIS, 20(5):645-663. |
![]() |
Incremental refinement of facade models with attribute grammar from 3D point clouds Die DFG-Forschergruppe Mapping on Demand hat sich zum Ziel gemacht, Algorithmen und Verfahren zur schnellen 3D Vermessung, Interpretation und Rekonstruktion von Szenen mit unzugänglichen Objekten zu entwickeln. Da die Daten kontinuierlich aus einem autonomen unbemannten Fluggerät anfallen, stellt dieser Artikel ein Verfahren zur Interpretation vom Datenstrom in Form von 3D Punktwolken vor. Um dieser Aufgabe gerecht zu werden, ist ein inkrementeller Parser, der auf Basis einer stochastischen attributierten Grammatik Elemente integriert und Modelle auf Basis zusätzlicher Beobachtungen verfeinert bzw. verwirft, entwickelt worden. Dehbi, Y, Staat, C, Mandtler, L, and Plümer, L (2016).Incremental refinement of facade models with attribute grammar from 3D point clouds ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, III-3:311-316. |
![]() |
Learning grammar rules of building parts from precise models and noisy observations Die Modellierung und Rekonstruktion von Gebäuden mithilfe von formalen Grammatiken hat sich als guter Ansatz gewährt. Das Erstellen von Grammatikregeln stellt allerdings eine aufwändige Aufgabe dar. In diesem Artikel wird die induktive logische Programmierung als Methode zum Lernen von Grammatiken als Modelle eingesetzt. Um den Umgang mit verrauschten Daten wie 3D Punktwolken zu ermöglichen, wird ein Verfahren vorgestellt, das nicht nur aus präzisen Beispielen Modelle lernt, sondern auch die Unsicherheit der Daten ins Lernen integriert. Dehbi, Y and Plümer, L (2011).Learning grammar rules of building parts from precise models and noisy observations ISPRS Journal of Photogrammetry and Remote Sensing, 66(2):166 - 176. |