Roof Geometrical Component Extraction Using Bimodal Data and Graph Neural Network
Notice bibliographique
Résumé
Abstract. Accurate extraction of roof geometrical elements is essential for creating 3D building models, which play a critical role in urban planning, city management, infrastructure development, and disaster management. Roof geometrical elements consist of lines, which represent the intersections of roof planes, and vertices, which define the intersections of roof lines. Due to the presence of shadowed areas or poor contrast in optical images, roof geometrical elements cannot be extracted efficiently in all areas. This study proposes a novel framework using optical imagery and Digital Surface Models (DSM) to extract these elements and construct 3D building models. The proposed approach uses convolutional neural networks (CNNs) to extract roof features from both RGB and DSM data. Next, a graph-based methodology is employed to create roof models, where roof lines and vertices are represented as nodes, and their spatial relationships are captured through an adjacency matrix. Finally, a Graph Neural Network (GNN) is used to analyze these relationships and refine roof component connectivity. In the first stage, the framework was evaluated on a dataset comprising 1,300 buildings in Fredericton, New Brunswick, achieving an Intersection over Union (IoU) of 0.73, an F1-score of 0.7645, and an F2-score of 0.7641. The mAP results of the second stage, 28.3, demonstrate the effectiveness of a graph-based approach in extracting and reconstructing roof components, contributing to more accurate and automated 3D city modeling.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».