Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

 
Sitzungsübersicht
Session
Poster-KKNP: Poster-KKNP mit Erfrischungen
Zeit:
Donnerstag, 08.03.2018:
12:00 - 14:00

Chair der Sitzung: Ansgar Brunn
Chair der Sitzung: Kirsten Wolff
Chair der Sitzung: Wolfgang Gold
Ort: Immatrikulationshalle - Bereich KKN-Preis

Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
Präsentationen

Deep Learning for the Classification of Building Facades

D. Laupheimer

Institut für Photogrammetrie, Universität Stuttgart, Deutschland

In recent years, 3D models containing both geometric and semantic information have become of great public interest. The geometric information of 3D models can be provided by (a combination of) photogrammetric methods, laser scanning and traditional surveying. For providing the semantic information for 3D urban models in an automated way, we established an end-to-end approach for classifying images of building facades into five different utility classes (commercial, hybrid, residential, specialUse, underConstruction) by using Convolutional Neural Networks (CNNs). We did several experiments on different data sets with various CNNs for evaluating the performance of this approach. Using Class Activation Maps (CAMs), we examined which features are learned during the training process in order to sort the facades into the considered classes.


Untersuchung zur Nutzung der Radarfernerkundung zur Klassifizierung von Feldfrüchten

L.-M. Kralisch

Beuth Hochschule für Technik Berlin, Deutschland

Die vorliegende Arbeit zeigt den Versuch einen reproduzierbaren Zusammenhang zwischen Feldfrüchten und Rückstreuungskoeffizient zu finden. Die verwendeten GRD-Radardaten stammen von Sentinel-1A. Durch die Verwendung von Referenzdaten konnte für jede Feldfruchtart der Mittelwert und die Standardabweichung berechnet werden. Folglich entstanden Spannweiten, welche in einen Entscheidungsbaum eingepflegt wurden. Diese überwachte Klassifizierung ergab eine Gesamtgenauigkeit von ca. 57%. Weiterhin wurde die Anwendbarkeit der Spannweiten in Hinsicht auf Lage und Zeit überprüft. Das Ergebnis zeigte, dass sich der Rückstreuungskoeffizient mit dem Blickwinkel zu stark verändert. Weiterhin konnten die Werte auch für die Aufnahmen drei Tage später nicht mehr verwendet werden. Diese Arbeit dient als Grundlage für weitere Studien auf dem Gebiet der Feldfruchtklassifizierung.


Detaillierte Repräsentation des Straßenraums in 3D Stadtmodellen

C. Beil

TU München, Deutschland

Dreidimensionale semantische Stadtmodelle werden immer häufiger für Simulationen und Analysen urbaner Räume verwendet. Bislang liegt der Fokus dabei jedoch stark auf Gebäudemodellen. Für zahlreiche Anwendungsfälle wären allerdings auch Modelle des Straßenraums von großem Nutzen, jedoch gibt es hierfür nur wenige Richtlinien. Relevante Standards wie GDF oder OpenDRIVE werden daher analysiert und dabei wird festgestellt, dass sich diese in erster Linie auf linienhafte oder parametrische Repräsentationen konzentrieren. Daraufhin werden 16 potentielle Anwendungen vorgestellt und der Nutzen, den diese aus einer flächenhaften Straßenraummodellierung ziehen würden diskutiert. Auf Grundlage dieser Erkenntnisse wird das Transportation Modell des momentan gültigen OGC Standards CityGML2.0 hinsichtlich Verbesserungs- und Erweiterungs-möglichkeiten untersucht. Im Zuge dessen wird ein CityGML konformes Modellierungskonzept für mehrere Detailstufen (LoD) vorgestellt. Abschließend wird dieses Konzept auf Grundlage frei verfügbarer Daten (Open Data) für ein semantisches 3D Stadtmodell von New York City implementiert. Als Ergebnis werden so über 500‘000 Straßenraumobjekte vollautomatisch erzeugt. Diese umfassen u.a. Straßenflächen, erhöhte Gehwege, Parkplatzflächen und Verkehrsinseln, welche allesamt mit einer Vielzahl thematischer Attribute angereichert sowie texturiert sind. Das Modell wird zudem mit Hilfe des Open Source „WebGL Virtual Globe Cesium“ visualisiert und so für interaktive Attributabfragen und Analysen zugänglich gemacht.


Crowdsourced Vertical Indoor Mapping

O. R. Moslehi Rad

TUM, Deutschland

In this paper, we introduce a methodology for dynamic estimation of vertical features of buildings. For this, we obtain data from built-in smart-phone sensors and use this data for altitude estimation via the barometric formula. We propose a novel approach for the identification of the reference pressure during the outdoor-to-indoor-transition of the users. We use a set of machine learning algorithms for the determination of the number of floors as well as an unsupervised clustering of each floor altitude. This is the first system capable of mapping vertical features inside buildings automatically, which is independent of any indoor infrastructure. Finally, we apply the results for enhancing a CityGML standard for generating 3D building models.


Hand Tracking using Kalman Filter for Safe Human-Robot Interaction

H. Gümgümcü

ETH Zürich, Schweiz

The goal of this bachelor thesis was to develop an algorithm to detect human activity with the use of an Intel RealSense camera and determine if the activity intrudes into a specified safety zone. The Intel RealSense is a depth camera, which means that we know the distance from the camera to the objects in the scene. The Intel RealSense camera can also deliver tracked coordinates of hand joints which can be used as a signal of human activity. In order to be able to keep the safety zone small and at the same time reduce false positives, we use a Kalman Filter with which we are able to solve two problems at once: Predict future hand movements and at the same time filter the output to realize a smooth visualization. We were able to implement an application which is able to foresee quick hand movements and signal those in direction of the camera as potentially hazardous. The filter smooths the raw coordinates as desired and gives a nice visualization of the hand. Our developed method can be a starting point for further research purposes and a potential starting base to implement a profound safety zone for a real robot.


Untersuchungen zur dreidimensionalen Analyse von photogrammetrisch erfassten Betonproben

A. M. Piter

Leibniz Universität Hannover, Deutschland

Die Bestimmung der Luftporenkennwerte am Festbeton erfolgt in der Materialprüfung manuell mit einem Stereomikroskop in kleinen Bereichen des Betontestkörpers. Im Rahmen dieser Arbeit wurde die Porendetektion, ein Verfahren zur automatisierten und flächendeckenden Bestimmung der Lage von Luftporen entwickelt. Die Oberfläche des Betontestkörpers wurde mit den Methoden der Nahbereichsphotogrammetrie dreidimensional rekonstruiert. In der Porendetektion wird das Modell gefiltert, die Punktmenge anhand eines Schwellwertes klassifiziert und die klassifizierten Punkte zu Poren gruppiert. Die Validierung des Verfahrens anhand einer manuell erstellten Referenz zeigt den Einfluss der Parameter der Porendetektion auf die Ergebnisse.


Konzeption und Realisierung eines neuen portablen 360°-Stereokamerasystems

D. Holdener

Fachhochschule Nordwestschweiz, Schweiz

Die Nachfrage nach der 3D-Vermessung von Innenräumen nimmt mit dem Trend der Digitalisierung in der Baubranche stetig zu. Eine effiziente Lösung zur Aufnahme des Innenbereichs ist das Mobile Mapping. Bildbasierte Systeme mit 360°-Panoramaabdeckung erlauben eine schnelle Datenerfassung und können zu georeferenzierten 3D-Bilddaten prozessiert und in cloudbasierte 3D-Geoinformationsservices integriert werden.

Das in dieser Arbeit entwickelte Kamerasystem erreicht eine 360°-Stereoabdeckung durch die ringförmige Anordnung von fünf horizontalen Stereobildpaaren. Die kostengünstige Realisierung basiert auf einer Kamerahalterung, welche mit dem 3D-Drucker gefertigt wurde, und aus Action-Kameras mit Fischaugen-Objektiv. Das Stereokamerasystem wurde erfolgreich kalibriert. Mit dem aufgezeigten Auswerteprozess können automatisch Tiefenkarten und Punktwolken aus den Stereobildern gerechnet werden. Ein Vergleich von 3D-Messungen mit Referenzdaten zeigt maximale Abweichungen von 3 cm auf typische Distanzen für Innenaufnahmen von 2-8 m. Trotz der kostengünstigen Implementierung kann so das Potential eines bildbasierten Aufnahmesystems aufgezeigt werden.


Einsatz Von Deep Learning Zur Aktualisierung Der Arealstatistik Der Schweiz - Erste Untersuchungen

M. Schär

Fachhochschule Nordwestschweiz, Schweiz

Das Bundesamt für Statistik (BFS) erstellt periodisch die Arealstatistik über das gesamte Gebiet der Eidgenossenschaft. Da der personelle Aufwand für dessen Erfassung sehr hoch ist, ist der Bund auf der Suche nach einer neuen teil- oder vollautomatisierten Erfassungsmethode. In dieser Arbeit wurde mit Hilfe eines Deep Learning Frameworks, einer aus dem Machine Learning stammenden Methode, die Machbarkeit einer automatisierten Erfassung evaluiert. Dies erfolgte mit Hilfe der Ausarbeitung (Konzept, Implementierung) eines Workflows, sowie erster Evaluierungen anhand von vorliegenden Daten der Arealstatistik des BFS. Untersucht wurde insbesondere der Einfluss der Architektur und der Parametrisierung der für Deep Learning eingesetzten neuronalen Netze sowie die Eignung der Luftbilder als Grundlage. Erste Ergebnisse zeigten auf, dass sich durch eine Basiskonfigurierung der verwendeten neuronalen Netze bereits gute Ergebnisse erzielen lassen, die jedoch hinsichtlich einer zuverlässigen automatisierten Erfassung auf ein Optimierungspotenzial der Methodik hinweisen.


Klassifikation von Fahrzeugen aus RGB- und LiDAR-Daten mit Convolutional Neural Networks

R. Niessner

NavVis GmbH, Deutschland

Verkehrsbezogene Daten sind das zentrale Thema für die Überwachung und das Monitoring urbaner Regionen. Daher ist die automatisierte Analyse dieser Daten, um eine eine parametrisierte Charakterisierung abzuleiten, unerlässlich. Typische Parameter sind beispielsweise die Fahrzeugpositionen, die Anzahl der Fahrzeuge, die Verkehrsdichte und der Verkehrsfluss. Um Fahrzeughypothesen abzuleiten, können in diesem Zusammenhang verschiedene Merkmale berechnet werden, indem radiometrische (optische) und geometrische (Elevations-) Daten zur Klassifizierung verwendet werden. Aktuelle Arbeiten verwenden Convolutional Neural Networks (CNN's). Diese mehrschichtigen neuronalen Netze sind so ausgelegt, dass sie optimale Eigenschaften aus Trainingsdaten für ein gegebenes Klassifikationsproblem lernen und vielversprechende Ergebnisse für Erkennungs- und Klassifikationsaufgaben zeigen.

In dieser Arbeit wird das Potential von Convolutional Neural Networks speziell für die Fahrzeugklassifikation untersucht. Daher werden drei Ansätze angegangen, um Klassifikatoren basierend auf Convolutional Neural Networks zu trainieren. Der Hauptbeitrag dieser Arbeit ist:

  • CNNs basierend auf RGB- und LiDAR-Daten führen zu Klassifikationsergebnissen mit hoher Genauigkeit
  • Merkmale, die von RGB-Daten abgeleitet werden und durch Transferlernen in LiDAR-Daten übertragen werden, führen zu besseren Klassifikationsergebnissen als die alleinige Verwendung von RGB-Daten
  • Neuronale Netzwerke mit weniger Ebenen als weit verbreitete neuronale
    Netzwerke mit vielen Ebenen führen zu den besten Klassifikationsergebnissen


Simulation raumzeitlicher Effekte des Angebotes und der Nachfrage von Hackschnitzeln in Kärnten: Ein Agentenbasierter Ansatz

F. Breitwieser

Technische Universität Graz, Österreich

Energetische Nachhaltigkeit ist ein Begriff, der in der heutigen Gesellschaft immer mehr an Bedeutung gewinnt. Aus diesem Grund untersucht die hier vorgestellte Studie das Potential von Agenten-basierter Modellierung im Zusammenhang mit der Versorgungskette von Hackschnitzeln aus den Wald zu den Fernwärmeheizwerken. Untersuchungsgebiet bildet das österreichische Bundesland Kärnten. Das umgesetzte Agentenbasierte-Modell besteht aus 3 Agententypen: dem Waldeigentümern auf der Angebotsseite, den Heizkraftwerken auf der Nachfrageseite und den intermediär agierenden “Händlern“. Die Eigentümer besitzen unterschiedliche wirtschaftliche Interessen, auf welche die Händler reagieren und Transportkosten-optimiert handeln. Das Modell geht von einer autarken Holzversorgung im Untersuchungsgebiet aus und gibt die raumzeitliche Entwicklung der Transportdistanz, Erntemuster und Ernteverteilung in jährlichen Schritten wider. Die Ergebnisse bilden 6 Simulationsszenarien, die eine differenzierte Marktentwicklung abbilden.



 
Impressum · Kontaktadresse:
Veranstaltung: PFGK18-Tagung
Conference Software - ConfTool Pro 2.6.117
© 2001 - 2018 by Dr. H. Weinreich, Hamburg, Germany