CN116958455B - 基于神经网络的屋顶重建方法、装置及电子设备 - Google Patents
基于神经网络的屋顶重建方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116958455B CN116958455B CN202311221027.9A CN202311221027A CN116958455B CN 116958455 B CN116958455 B CN 116958455B CN 202311221027 A CN202311221027 A CN 202311221027A CN 116958455 B CN116958455 B CN 116958455B
- Authority
- CN
- China
- Prior art keywords
- roof
- neural network
- depth
- mask
- map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于神经网络的屋顶重建方法、装置及电子设备。其中，基于神经网络的屋顶重建方法，包括：基于获取的屋顶数据构建屋顶数据集；基于屋顶数据集训练神经网络；将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格；将得到的占有栅格重建得到建筑屋顶三维模型。通过基于已有的大量数据库和训练好的神经网络架构，将屋顶结构全自动的批量快速准确生成，并通过预测得到每一段屋顶高度对应的占有栅格，基于占有栅格重建得到建筑屋顶三维模型。从而达到拟合效果好且节约人工的目的。
Description
技术领域
本发明属于建筑建模技术领域，尤其是涉及一种基于神经网络的屋顶重建方法、装置及电子设备。
背景技术
随着我国城镇化进程的推进和经济建设的快速发展，建筑物三维建模对于社会公众和各行业应用具有越来越重要的意义。
现有的基于卫星影像得到的三维建筑存在以下问题：生成的建筑顶部结构过于简单，通常为矩形；对非平台类型的屋顶不能很好的拟合，为达到更好的效果，需要大量的人工操作。
发明内容
针对现有技术中存在的问题，本发明提供了一种基于神经网络的屋顶重建方法、装置及电子设备，至少部分的解决现有技术中存在的屋顶拟合效果差且需要大量人工介入的问题。
第一方面，本公开实施例提供了一种基于神经网络的屋顶重建方法，包括：
基于获取的屋顶数据构建屋顶数据集；
基于屋顶数据集训练神经网络；
将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格；
将得到的占有栅格重建得到建筑屋顶三维模型。
可选的，所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
将三通道图像、Udf和Edge信息拼接成5通道张量，三通道图像即为顶视图、深度图和掩码图结合图像；
将该张量输入特征金字塔网络得到结果；
将所述结果输入全卷积网络得到图像特征
将所述图像特征进行上采样得到图像特征F。
可选的，所述特征金字塔网络使用ResNet50作为骨干网络。
可选的，所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
将待预测的平面深度zi与屋顶深度信息做差得到信息d；
将信息d进行位置编码操作得到编码结果；
将编码结果输入两层的全卷积网络，得到深度特征D。
可选的，所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
将图像特征F和深度特征D拼接后进入三层的全卷积神经网络得到预测的该深度下屋顶的占有栅格。
可选的，所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
设计神经网络的损失函数，所述损失函数包括交叉熵损失函数和DICE损失函数。
可选的，所述交叉熵损失函数为：
其中, 是所有预测的深度个数, />为深度下的占有栅格，Sum(mask)是mask的占有栅格格子数，/>分别为计算参数，/>和/>表示并集。
可选的，所述DICE损失函数为：
其中, 是所有预测的深度个数, />为深度下的占有栅格，Sum(mask)是mask的占有栅格格子数。
第二方面，本公开实施例还提供了一种基于神经网络的屋顶重建装置，包括：构建模块，用于基于获取的屋顶数据构建屋顶数据集；
训练模块，用于基于屋顶数据集训练神经网络；
预测模块，用于将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格；
重建模块，用于将得到的占有栅格重建得到建筑屋顶三维模型。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有能被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面任一所述的基于神经网络的屋顶重建方法。
本发明提供的基于神经网络的屋顶重建方法、装置及电子设备。其中该基于神经网络的屋顶重建方法，通过基于已有的大量数据库和训练好的神经网络架构，将屋顶结构全自动的批量快速准确生成，并通过预测得到每一段屋顶高度对应的占有栅格，基于占有栅格重建得到建筑屋顶三维模型。从而达到拟合效果好且节约人工的目的。且生成的模型准确性高。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。
图1为本公开实施例提供的基于神经网络的屋顶重建方法的流程图；
图2为本公开实施例提供的基于神经网络的屋顶重建装置的原理框图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
应当明确，以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图示中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
占有栅格：英文occupancy plane, 简称OP；
特征金字塔网络：英文feature pyramid network, 简称FPN；
为了便于理解，如图1所示，本实施例公开了一种基于神经网络的屋顶重建方法，包括：
步骤S101：基于获取的屋顶数据构建屋顶数据集；
步骤S102：基于屋顶数据集训练神经网络；
步骤S103：将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格(occupancy plane, OP)；
对需要识别的屋顶，将该图片与Udf图和Edge图结合输入网络结构中，输出预测的不同高度平面上该屋顶的占用格栅图
步骤S104：将得到的占有栅格重建得到建筑屋顶三维模型。得到的OP使用marching cube方法重建得到建筑屋顶三维模型。
图像数据的格式，单栋建筑的屋顶RGB图片（512，512，3）；
对应的深度图（512，512，1）；
对应的mask图（512，512，1）；
三维屋顶模型不同高度的占用栅格图（512，512，1）。
可选的，所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
将三通道图像、Udf和Edge信息拼接成5通道张量，三通道图像即为顶视图、深度图和掩码图结合图像；
将该张量输入特征金字塔网络得到结果；
将所述结果输入全卷积网络得到图像特征
将所述图像特征进行上采样得到图像特征F。
Udf（unsigned distance field， 无向距离场）中每个像素点的值为这个像素点到屋顶mask的距离。
Edge信息由Farid Filter操作得到。
可选的，所述特征金字塔网络使用ResNet50作为骨干网络。
可选的，所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
将待预测的平面深度zi与屋顶深度信息做差得到信息d；
将信息d进行位置编码操作得到编码结果；
将编码结果输入两层的全卷积网络，得到深度特征D。
可选的，所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
将图像特征F和深度特征D拼接后进入三层的全卷积神经网络得到预测的该深度下屋顶的占有栅格。
可选的，所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
设计神经网络的损失函数，所述损失函数包括交叉熵损失函数和DICE损失函数。
可选的，所述交叉熵损失函数为：
其中, 是所有预测的深度个数, />为深度下的占有栅格，Sum(mask)是mask的占有栅格格子数，/>分别为计算参数，/>和/>表示并集。该公式是对每个/>深度下的占有栅格和预测得到的/>深度下的占有栅格计算交叉熵损失。
可选的，所述DICE损失函数为：
，
其中, 是所有预测的深度个数, />为深度下的占有栅格，Sum(mask)是mask的占有栅格格子数，分子是Mask />和预测的/>求并集后计算对应的占有栅格点个数
分母分别是Mask与并集的占有栅格点个数和mask与预测的/>并集的占有栅格点个数。
如图2所示，一种基于神经网络的屋顶重建装置，包括：构建模块，用于基于获取的屋顶数据构建屋顶数据集；
训练模块，用于基于屋顶数据集训练神经网络；
预测模块，用于将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格；
重建模块，用于将得到的占有栅格重建得到建筑屋顶三维模型。
本实施例公开的电子设备包括存储器和处理器。该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。该非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。
该处理器可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令，使得该电子设备执行前述的本公开各实施例的基于神经网络的屋顶重建方法全部或部分步骤。
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的基于神经网络的屋顶重建方法的全部或部分步骤。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例的基于神经网络的屋顶重建方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于：光存储介质（例如：CD－ROM和DVD）、磁光存储介质（例如：MO）、磁存储介质（例如：磁带或移动硬盘）、具有内置的可重写非易失性存储器的媒体（例如：存储卡）和具有内置ROM的媒体（例如：ROM盒）。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
在本公开中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC（即A和B和C）。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是，在本公开的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种基于神经网络的屋顶重建方法，其特征在于，包括：
基于获取的屋顶数据构建屋顶数据集；
基于屋顶数据集训练神经网络；
将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格；
将得到的占有栅格重建得到建筑屋顶三维模型；
所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
将三通道图像、Udf和Edge信息拼接成5通道张量，三通道图像为顶视图、深度图和掩码图结合图像；
将该张量输入特征金字塔网络得到结果；
将所述结果输入全卷积网络得到图像特征；
将所述图像特征进行上采样得到图像特征F；
将待预测的平面深度zi与屋顶深度信息做差得到信息d；
将信息d进行位置编码操作得到编码结果；
将编码结果输入两层的全卷积网络，得到深度特征D；
将图像特征F和深度特征D拼接后进入三层的全卷积神经网络得到预测的该深度下屋顶的占有栅格；
Udf为无向距离场，Edge信息由Farid Filter操作得到。
2.根据权利要求1所述的基于神经网络的屋顶重建方法，其特征在于，所述特征金字塔网络使用ResNet50作为骨干网络。
3.根据权利要求1所述的基于神经网络的屋顶重建方法，其特征在于，所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
设计神经网络的损失函数，所述损失函数包括交叉熵损失函数和DICE损失函数。
4.根据权利要求3所述的基于神经网络的屋顶重建方法，其特征在于，所述交叉熵损失函数为：
其中，是所有预测的深度个数，Sum(mask)是mask的占有栅格格子数，x，y分别为计算参数，O和/>表示并集；
该公式是对每个zi深度下的占有栅格和预测得到的zi深度下的占有栅格计算交叉熵损失。
5.根据权利要求3所述的基于神经网络的屋顶重建方法，其特征在于，所述DICE损失函数为：
其中，是所有预测的深度个数，Sum(mask)是mask的占有栅格格子数；
分子是Mask和预测的/>求并集后计算对应的占有栅格点个数，
分母分别是Mask与并集的占有栅格点个数和mask与预测的/>并集的占有栅格点个数。
6.一种基于神经网络的屋顶重建装置，其特征在于，包括：
构建模块，用于基于获取的屋顶数据构建屋顶数据集；
训练模块，用于基于屋顶数据集训练神经网络；
预测模块，用于将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格；
重建模块，用于将得到的占有栅格重建得到建筑屋顶三维模型；
所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中，预测得到每一段屋顶高度对应的占有栅格，包括：
将三通道图像、Udf和Edge信息拼接成5通道张量，三通道图像为顶视图、深度图和掩码图结合图像；
将该张量输入特征金字塔网络得到结果；
将所述结果输入全卷积网络得到图像特征；
将所述图像特征进行上采样得到图像特征F；
将待预测的平面深度zi与屋顶深度信息做差得到信息d；
将信息d进行位置编码操作得到编码结果；
将编码结果输入两层的全卷积网络，得到深度特征D；
将图像特征F和深度特征D拼接后进入三层的全卷积神经网络得到预测的该深度下屋顶的占有栅格；
Udf为无向距离场，Edge信息由Farid Filter操作得到。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5任一所述的基于神经网络的屋顶重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311221027.9A CN116958455B (zh) | 2023-09-21 | 2023-09-21 | 基于神经网络的屋顶重建方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311221027.9A CN116958455B (zh) | 2023-09-21 | 2023-09-21 | 基于神经网络的屋顶重建方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116958455A CN116958455A (zh) | 2023-10-27 |
| CN116958455B true CN116958455B (zh) | 2023-12-26 |
Family
ID=88455026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311221027.9A Active CN116958455B (zh) | 2023-09-21 | 2023-09-21 | 基于神经网络的屋顶重建方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116958455B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543872A (zh) * | 2019-09-12 | 2019-12-06 | 云南省水利水电勘测设计研究院 | 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法 |
| CN112116714A (zh) * | 2020-09-28 | 2020-12-22 | 贝壳技术有限公司 | 基于二维图像生成房间结构模型的方法及装置 |
| CN112750201A (zh) * | 2021-01-15 | 2021-05-04 | 浙江商汤科技开发有限公司 | 三维重建方法及相关装置、设备 |
| CN113822825A (zh) * | 2021-11-25 | 2021-12-21 | 电子科技大学成都学院 | 基于3d-r2n2的光学建筑目标三维重建方法 |
| CN116091709A (zh) * | 2023-04-10 | 2023-05-09 | 北京百度网讯科技有限公司 | 建筑物的三维重建方法、装置、电子设备和存储介质 |
| CN116128903A (zh) * | 2023-04-17 | 2023-05-16 | 北京飞渡科技股份有限公司 | 一种智慧城市三维场景瓦片化分割方法 |
| CN116665040A (zh) * | 2023-04-20 | 2023-08-29 | 河南大学 | 基于注意力机制的多尺度输入输出的建筑物变化检测方法 |
| CN116758219A (zh) * | 2023-06-16 | 2023-09-15 | 浙江大学 | 基于神经网络的区域感知多视角立体匹配三维重建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2021228229B2 (en) * | 2020-02-28 | 2024-02-01 | Aurora Solar Inc. | Automated three-dimensional building model estimation |
-
2023
- 2023-09-21 CN CN202311221027.9A patent/CN116958455B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543872A (zh) * | 2019-09-12 | 2019-12-06 | 云南省水利水电勘测设计研究院 | 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法 |
| CN112116714A (zh) * | 2020-09-28 | 2020-12-22 | 贝壳技术有限公司 | 基于二维图像生成房间结构模型的方法及装置 |
| CN112750201A (zh) * | 2021-01-15 | 2021-05-04 | 浙江商汤科技开发有限公司 | 三维重建方法及相关装置、设备 |
| CN113822825A (zh) * | 2021-11-25 | 2021-12-21 | 电子科技大学成都学院 | 基于3d-r2n2的光学建筑目标三维重建方法 |
| CN116091709A (zh) * | 2023-04-10 | 2023-05-09 | 北京百度网讯科技有限公司 | 建筑物的三维重建方法、装置、电子设备和存储介质 |
| CN116128903A (zh) * | 2023-04-17 | 2023-05-16 | 北京飞渡科技股份有限公司 | 一种智慧城市三维场景瓦片化分割方法 |
| CN116665040A (zh) * | 2023-04-20 | 2023-08-29 | 河南大学 | 基于注意力机制的多尺度输入输出的建筑物变化检测方法 |
| CN116758219A (zh) * | 2023-06-16 | 2023-09-15 | 浙江大学 | 基于神经网络的区域感知多视角立体匹配三维重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于全卷积神经网络的建筑物屋顶自动提取;刘文涛;李世华;覃驭楚;;地球信息科学学报(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116958455A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596184B (zh) | 图像语义分割模型的训练方法、可读存储介质及电子设备 | |
| US20190251401A1 (en) | Image composites using a generative adversarial neural network | |
| TWI463347B (zh) | 計算機可讀取的儲存媒體、設計半導體元件的方法以及電子設計自動化系統 | |
| CN113096249B (zh) | 训练顶点重建模型的方法、图像重建方法及电子设备 | |
| CN109697748B (zh) | 模型压缩处理方法、模型贴图处理方法装置、存储介质 | |
| CN109165654B (zh) | 一种目标定位模型的训练方法和目标定位方法及装置 | |
| US7082595B1 (en) | Schematic driven placement method and program product for custom VLSI circuit design | |
| CN113793284A (zh) | 气动光学效应空变模糊图像不均匀分块的图像复原方法 | |
| CN116958455B (zh) | 基于神经网络的屋顶重建方法、装置及电子设备 | |
| CN114509912A (zh) | 一种掩模优化方法、掩模优化装置及电子设备 | |
| EP4075381B1 (en) | Image processing method and system | |
| CN116796678A (zh) | 一种基于解析式技术的fpga布局方法 | |
| CN116186912A (zh) | 误差有界的低扭曲非结构t样条曲面拟合方法及装置 | |
| CN103745072A (zh) | 自动扩展缺陷图形库的方法 | |
| CN116630912A (zh) | 三维语义占用预测方法、系统、设备、介质及产品 | |
| CN115933304A (zh) | 光学邻近效应修正方法、装置及电子设备、存储介质 | |
| KR101470488B1 (ko) | Ｖ 사이클을 이용한 멀티그리드 방법 및 장치 | |
| US20100296069A1 (en) | Pattern division method, pattern division processing apparatus and information storage medium on which is stored a program | |
| CN114238528A (zh) | 一种地图加载方法、装置、电子设备及存储介质 | |
| CN112950764A (zh) | 基于平面套图的三维建模方法及三维建模装置 | |
| CN112927324A (zh) | 样点自适应补偿的边带补偿模式的数据处理方法、装置 | |
| Nigolian et al. | Expansion cones: A progressive volumetric mapping framework | |
| JP2005157043A (ja) | マスクパターン補正結果検証方法およびマスクパターン補正結果検証装置 | |
| WO2024016368A1 (zh) | 一种掩膜引导的影像镶嵌线的生成方法、装置、计算机设备及存储介质 | |
| US8819600B2 (en) | Polygon recovery for VLSI mask correction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |