Martin Raifer, Kolossos and Hans-Jörg Stark
DeepVGI – Ein Deep Learning Framework zur Detektion von Gebäuden und Strassen auf Basis von Fernerkundungsbildern, OpenStreetMap und MapSwipe Daten.
In jüngster Zeit werden zunehmend maschinelle Lernmethoden - insbesondere Deep Artifical Neural Networks (ANNs) zur automatischen Objektdetektion mit Fernerkundungsbildern untersucht und u.a. angewendet, um Gebäude, Straßennetze usw. zu finden. Um ein genaues Vorhersagemodell für eine Zieldomäne, d.h. ein konkretes Gebiet, zu erlernen beruhen diese Verfahren gewöhnlich auf einer großen Menge markierter Bilder. Gerade in ländlichen oder unentwickelten Orte gibt es normalerweise keine existierenden markierten Bildsätze. In aktuellen Arbeiten am HeiGIT (Heidelberg Institut for Geoinformation Technology) extrahieren wir Trainingsmarken (d. H. Supervisionswissen) aus OSM und integrieren zusätzlich VGI von der humanitären Anwendung MapSwipe, sowie einige manuell gelabelte Trainingsdaten, um so die gesamte Zieldomäne mit einer höheren Vorhersagegenauigkeit abzudecken. Zu diesem Zweck wird ein Deep Learning Framework namens AT-CNN vorgeschlagen, bei dem die von Deep Convolutional Neural Networks erfassten Fernerkundungsbildmerkmale aktiv von einer Quelldomäne zu einer Zieldomäne übertragen werden. Es kann das Wissen der verschiedenen Datenquellen für ein allgemeineres Vorhersagemodell verschmelzen, und ist so in der Lage, verschiedene Arten von Gebäuden in städtischen und ländlichen Gebieten gut zu detektieren.
Einsatz von Lowcost-Lidarsystemen für die OSM-Landvermessung
Seit Neusten gibt es recht preiswerte 2D-LIDAR-Systeme[1], die die Vermessung der Welt verändern könnten. Statt wie ein klassisches GPS einmal pro Sekunde die Position des Mappers zu erfassen können diese System 500 mal pro Sekunde die Umgebung des Mappers erfassen. Um die Genauigkeit der Abstandsmessung von 2.5cm nutzen zu können sollten Position und Orientierung des Sensorträgers mit einer ähnlichen Genauigkeit bekannt sein, dieses könnte durch Fortschritte bei den GPS-Geräten (RTK-Lib, etc.) oder durch Algorithmen der relativen Lokalisierung anhand der Sensordaten erfolgen (SLAM). Daneben sollten zusätzliche Sensoren (Kameras, IMU und Radsensoren) genutzt werden.
Zur Scannerorientierung gibt es 2 Möglichkeiten:
*horizontal: Gibt die meisten Daten in einer festen Höhe. Diese Daten
lassen sich dann am besten mergen.
*vertikal, quer zur Fahrrichtung: Mit dieser Ausrichtung könnten ggf. Bürgersteigkanten und damit Straßenbreiten oder auch Gebäudehöhen erfasst werden.
Schwierigkeiten liegen insbesonders in der Erfassung und Ausfilterung von beweglichen Objekten wie Autos.
Einsatzmöglichkeiten liegen aufgrund der hohen Detailierung insbesonders im Bereich des Indoormappings.
[1] https://www.kickstarter.com/projects/scanse/sweep-scanning-lidar
Unkonventionelle Karten mit g2jascii
Kartendarstellungen mit Emojis und anderen Zeichen
Mit gj2ascii steht eine Python Bibliothek zur Verfügung, die es erlaubt, einerseits über ein Terminal oder Kommandozeile, andrerseits über ein Python-Binding Vektorgeometrien mittels Buchstaben, Zahlen und Sondernzeichen oder auch Emojis darzustellen. Es entstehen witzige und damit auch etwas unkonventionelle Kartendarstellungen, welche als "witzige Auffrischung" betrachtet werden können. Somit ist es auch möglich, dass gewisse Assoziationen zu Gebieten oder Regionen visuell "untermalt" werden und auf eine unkonventionelle Art und Weise kommuniziert werden.
Der Beitrag stellt einerseits gj2ascii vor, andrerseits zeigt er auch an ganz praktischen Beipsielen und Live-Demos, wie (einfach) die Anwendung der Bibliothek ist und wie mit den einzelnen Parametern bzw. Einstellungen gearbeitet werden kann.
https://pypi.python.org/pypi/gj2ascii/0.4.1