三维城市：深度学习三维应用

最新推荐文章于 2025-06-26 16:11:36 发布

Bamboozq

最新推荐文章于 2025-06-26 16:11:36 发布

阅读量2.5k

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/Bamboozq/article/details/88888321

在这篇文章中，我们将继续探索深度学习模型如何应用于从三维空间数据中，并从中提取信息的方式，特别是在大型地理区域，3D建筑模型重建情况下 - 从个别城市到整个区域。

地理信息系统的三维信息并不新鲜：多年来，有一些领域，空间坐标都被认为是必不可少的：气候学，海洋学，地质学，建筑学，公用事业网络等。如今，城市的3D模型也是如此。这些模型正在迅速被采用，并被认为是城市设计，活动规划，维护，安全和保障，灾害响应，人群控制和保险等决策的宝贵资源。

那么，哪些原始数据源可用于重建城市的3D模型？有哪些工具和工作流程？在哪个方向进一步探索？我们将在下面探讨并找到这些问题的答案。

与之前的多个深度学习项目一样，我们与NVIDIA合作进行了以下实验，NVIDIA提供了具有32GB内存的高端QUADRO GV100卡 - 适合大型小批量生产，用于高效训练大规模Mask R-CNN和PointCNN网络。

Realism & Cubism

在深入研究技术细节之前，让我们宏观梳理，看看主体的需求和方法的概览。

理想情况下，我们希望数字模型与真实的城市变得无法区分：从汽车到建筑物的细节和纹理的高端保真度，道路裂缝，每棵树上的树叶，理想的定位和每个烟囱管道的高度以及每个天窗窗把手。然而，在第二个想法中，由于计算要求，获取所需的时间以及维持模型现状的未来资源消耗，这种详细程度虽然在理论上是可能的，但似乎是不实际的。

因此，出于所有实际目的，3D建筑模型通常分为两大类：高保真和框架图。进入高保真类别主要是历史建筑的模型，这些模型看起来是固定的，受法规保护，甚至被列入联合国教科文组织世界遗产名录。高保真建筑模型需要大量的初始投资，但一旦创建，只需要很少和稀疏的更新来反映对原始模型的偶尔修复。

另一方面，城市的所有其他部分：商业，住宅，工业区，经常进行开发，重建，扩建，重新分区，即每天发生变化。这些变化必须定期反映在城市的数字模型中，并在准确性，速度和成本之间进行合理的权衡 - 试图最大化速度/成本比，同时不要让精度下降。这是我们将放在这篇文章的其余部分的重点。

但是，为什么我们需要对原理图类别的建筑模型进行快速，定期和经济有效的更新？一个特别突出的原因是，这个城市的这些地方经常在商业和夜间容纳大多数人口。如果遇到灾难，如地震，快速更新模型，并将其与事件发生之前的状态进行比较，将为救援人员提供一个强大的工具，以查看损害发生的最严重程度，以及有多少人在通过计算倒塌楼层的数量，丢失的平方英尺，估计碎片数量等来影响受影响的区域。

Data Sources

有两种主要数据源可用于采集各种尺度的3D建筑模型：使用机载或地面激光雷达，以及通过Structure-From-Motion算法计算的3D三角网格和使用倾斜图像的摄影测量过程。前者是一种较老的，成熟的技术，通常需要相当昂贵的传感器。 LiDAR扫描的产物是未分类的三维点云，其中每个点还可能包含许多其他属性，如强度，红绿蓝值等。后一种技术，结构从运动中获得，允许重建连续的3D网格。网格是由飞机或无人机飞过城市拍摄的一系列倾斜图片计算得出的，并保留了详细的轨迹信息。这种连续网格通常由数百万个互连的三角形构成，并具有相关的高分辨率RGB纹理。

You can construct 3D meshes using Drone2Map for ArcGIS extension. To learn more: https://doc.arcgis.com/en/drone2map/

两个来源都有一个共同的问题：不知道哪些点（在LiDAR点云中）或三角形（在网格中）属于建筑物，地面，树木，水体，汽车等......它们是只是原始未分类的XYZ点，或具有RGB纹理的大量连接三角形。

LiDAR Point Clouds

我们进行实验的航空LiDAR点云具有相对较高的密度：平均每平方米约15-20个点。需要这样的点密度以在输入数据中获得足够强的信号，因此可以更快地训练神经网络并且具有更少数量的示例以获得更高的准确度。原因在于源点云的局部邻域中的统计特性携带有价值的信号，对于神经网络而言，该信号是允许其区分云中存在的各种对象类的关键。因此，云越分散，信号变得越模糊，迅速导致需要指数级更大数量的训练样本来学习。