Three-dimensional Roof Surface Geometry Inference Using Remote Sensing Data

Abstract

I denne masteroppgaven presenterer vi en ende-til-ende maskinlæringsprosedyre for å identifisere beliggenheten, orientering og høyden til takoverflater ved hjelp av fjernmålinger (digitale overflatemodeller og/eller flyfoto). Vi viser at ved å gjøre små endringer på utputtlaget til U-Net CNN-arkitekturen evner den å predikere rastrerte overflatenormalvektorer med stor nøyaktighet. Ved å anvende klyngeanalyse i form av DBSCAN og k-NN på de predikerte normalvektorene, så er det mulig å partisjonere semantiske taksegmenteringer til å bli tilsvarende forekomstsegmenteringer hvor hver forekomst representerer en individuell takflate. Et CNN-nettverk som predikerer både semantiske segmenteringer samt rastrerte normalvektorer har blitt vist til å være like virkningsfull som et par med respektive nettverk som utfører disse to oppgavene uavhengig av hverandre. En valgfri vektoriseringsprosedyre som produserer tredimensjonale vektorpolygoner fra forekomstsegmenteringer er avslutningsvis presentert.

In this master's thesis, we present an end-to-end machine learning pipeline for inferring the location, orientation, and elevation of flat roof surfaces from remote sensing data (digital surface models and/or aerial photography). We show that by making a minor modification to the output layer of the U-Net CNN architecture it is able to predict rasterized surface normal vectors with great accuracy. By clustering predicted normal vectors, using DBSCAN and k-NN, it is possible to partition semantic roof segmentation maps into corresponding roof surface instance segmentation maps. A single multitask CNN network which predicts both semantic segmentation masks and rasterized normal vectors is shown to be as performant as a pair of respective single-task networks. Finally, an optional vectorization procedure which produces three-dimensional vector polygons from roof surface instance segmentation maps is presented.