Building Boundary Extracting from Pointcloud with a Generative Adversarial Network

Abstract

I denne masteren har det blitt produsert bygningsomriss fra punktskyer ved å introdusere dyp læring med/av et Generative Adversarial Network (GAN). Forskningsmålet var å undersøke i hvilken grad behandling med dyp læring løser eller forbedrer begrensninger av allerede etablerte metoder rundt ekstrasksjon av bygningsomriss fra punktskyer. Totalt 903 bygninger i Trondheim ble manuelt segmentert og fungerte som datasett for trening av nettverket. En statistisk analyse fant at nettverket produserte en signifikant økning i Snitt over Union (IOU) sammenlignet med baseline-modeller. Sammenligning av bygningsomriss før og etter prosessering indikerer at GAN øker IOU ved å bedre representere konkave bygninger. Ved undersøkelse av de produserte bygningsomrissene er det klart at det kreves ytterligere geometriske forbedringer for å løse den resulterende feiljusteringen. Enda viktigere er at inkluderingen av dyp læring i bygningsomrissekstraksjon viser stort potensial ved å tillate input av lav kvalitet og billige beregningskostnader.

This study aimed at extract building boundaries from pointclouds by introducing deep-learning processing by a Generative Adversarial Network (GAN). The research objective was to investigate the extent deep-learning processing solves or improves limitations of established methods that extract boundaries from pointclouds. A total of 903 buildings in Trondheim were manually segmented and served as the dataset for training the network. A statistical analysis found that the network significantly increased Intersection Over Union (IOU) compared to baseline models. Comparing samples before and after processing indicates that GAN increases IOU by more correctly representing concave buildings. From inspecting predicted building boundaries, it is clear that additional geometrical refinements are required to solve the resulting misalignment. More importantly, deep-learning in boundary extraction shows great potential by allowing low-quality input and cheap computational cost.