Sie sind hier: Startseite Forschung Urban Reasoning

Urban Reasoning

UrbanesReasoning_850x213 

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

Dr.-Ing. Youness Dehbi

Prof. Dr.-Ing. Jan-Henrik Haunert

 

Ausgewählte Arbeiten

 

01_Statistical-relational

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.

02_Estimation3D

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).

03_Identification-and-modelling

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.

04_Incremental-refinement

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.

05_Learning-grammar

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.

 

Artikelaktionen