KI-basierte 3D-Objektidentifikation in Geodaten-Reference-Cited by-同舟云学术

KI-basierte 3D-Objektidentifikation in Geodaten

Published:2022 Issue: Volume: Page:49-64
ISSN:
Container-title:Umweltinformationssysteme – Vielfalt, Offenheit, Komplexität
language:
Short-container-title:

Author:

Mencke Nicol,Pape Andreas,Pietz Tobias,Dhara Sravani,Sichert Falk,Winkelbauer Tino

Abstract

Zusammenfassung Komplexe Informationen, Zusammenhänge und Prozesse werden mit einer visuellen Unterstützung einfacher verständlich und leichter kommunizierbar. Daher sind 3D-Modelle von realen Objekten integraler Bestandteil vieler IT-Systeme. Gerade in der Anwendung von Geo- und Umweltinformationssystemen profitieren nicht nur kommunikative und partizipative Aufgabenstellungen von den Vorteilen der Verständlichkeit und Anschaulichkeit, sondern insbesondere auch planerische Herausforderungen in allen Planungs- und Bauphasen von industriellen und infrastrukturellen Projekten. Die automatisierte Generierung von 3D-Modellen aus Geodaten stellt eine große Herausforderung dar. Verfahren der Künstlichen Intelligenz (KI) können hier signifikante Verbesserungen erreichen. Es wird ein auf den Anwendungsfall zugeschnittenes Prozessmodell vorgeschlagen und eine unterstützende Software präsentiert. Erste Ergebnisse in Bezug auf die generierten 3D-Objekte im urbanen Raum und für ein konkretes Projekt der Bahnhofsdigitalisierung zeigen die Anwendbarkeit der erarbeiteten Lösung auf.

Publisher

Springer Fachmedien Wiesbaden

Link

https://link.springer.com/content/pdf/10.1007/978-3-658-39796-8_4

Reference17 articles.

1. Döbel, I., Leis, M., Vogelsang, M., Neustrev, D., Petzka, H., Riemer, A., Rüping, S., Voss, A., Wegele, M., & Welz, J. (2018). Maschinelles Lernen – Eine Analyse zu Kompetenzen, Forschung und Anwendung. Fraunhofer-Gesellschaft. https://www.bigdata.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/Fraunhofer_Studie_ML_201809.pdf.

2. Gotscharek & Company. (2020). KI-(Künstliche Intelligenz)-Projekte richtig aufsetzen. https://www.gotscharek-company.com/blog/ki-k%C3%BCnstliche-intelligenz-projekte-richtig-aufsetzen.

3. Mencke, N. (2021). ViRe-in2-GP-methodology for the use of virtual reality in large-scale industrial and infrastructural projects. Proceedings of the 4th IEEE International Conference on Artificial Intelligence and Virtual Reality (AIVR2021), Taichung, Taiwan (S. 124–128). https://doi.org/10.1109/AIVR52153.2021.00029.

4. Makovskaja, N. (2018). Classification of high vegetation in an urban environment: A performance comparison of machine learning methods in a LiDAR dataset. Master thesis, Aalborg University Copenhagen, https://projekter.aau.dk/projekter/files/280913725/Master_thesis_Nijole_Makovskaja_GIS.pdf.

5. Escamos, I. M. H., Roberto, A. R. C., Abucay, E. R., Inciong, G. K. L., Queliste, M. D., & Hermocilla, J. A. C. (2015). Comparison of different machine learning classifiers for building extraction in Lidar-derived datasets. In Proceedings of the 36th Asian conference on remote sensing: Fostering resilient growth in Asia (ACRS2015) (S. 1–10).