dc.contributor.advisor | Aune, Erlend | |
dc.contributor.author | Martinussen, Jakob Gerhard | |
dc.date.accessioned | 2021-09-15T17:27:52Z | |
dc.date.available | 2021-09-15T17:27:52Z | |
dc.date.issued | 2020 | |
dc.identifier | no.ntnu:inspera:55607230:1798863 | |
dc.identifier.uri | https://hdl.handle.net/11250/2778372 | |
dc.description | Full text not available | |
dc.description.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. | |
dc.description.abstract | 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. | |
dc.language | | |
dc.publisher | NTNU | |
dc.title | Three-dimensional Roof Surface Geometry Inference Using Remote Sensing Data | |
dc.type | Master thesis | |