Automated LoD2 Building Reconstruction Using Bimodal Segmentation
Notice bibliographique
Résumé
LoD2 3D modeling of buildings has rapidly developed, especially in digital twin and urban planning applications. However, the diversity of roof structures makes significant challenges for 3D building modeling. While Airborne images are a key data source for capturing optical roof features, they often struggle in low contrast areas or shadowed conditions. LiDAR data can provide height information to compensate for the occluded areas. However, in current literature, particularly in existing deep learning models, the integration of these bimodal data has not been effectively studied for segmentation and modeling. This study proposes a novel multi-object instance segmentation framework that jointly detects all geometrical roof components required for 3D building modeling, such as planes, inlines, and outlines, in a single bimodal network. Our method uses a shared ResNet-50 backbone with Feature Pyramid Networks (FPN) and introduces two custom attention mechanisms: Inter-Modality Attention Blocks (IMAB) for fusing elevation and spectral features, and Modality-Specific Attention Blocks (MSAB) for refining modality-specific information. We also evaluate three fusion strategies, early, middle, and late, to optimize bimodal integration. Extracted lines and planes are vectorized, combined with height data from point clouds, and used to create 3D planes and lines. The final building models and wireframes are constructed by intersecting these 3D components. To the best of our knowledge, this is the first study to combine bimodal multi-object instance segmentation with attention mechanisms to jointly extract all roof components and create 3D building models. Our study demonstrates that combining the optical and elevation features of each building improves the accuracy of building geometric component segmentation and 3D building modeling. Experiments conducted with 1,488 buildings, show an F2-score of 0.8620, F1-score of 0.8374, and IoU of 0.844 for the segmentation step, and an RMSE of around one meter for the 3D 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».