双手敲键盘

近年来，许多研究致力于从街景图像中提取有关建筑和基础设施、交通与移动性、步行性以及健康与福祉的有价值数据本文提出了两种算法及其实现方法，用于利用深度学习（DL）和高级图像与地理空间数据处理算法，从街景图像中自动估算建筑高度BHEDC算法：基础算法，用于估算建筑高度。iBHEDC算法：改进版算法，增加了新的组件和优化步骤。本文旨在通过改进现有算法 (BHEDC)，提出一种新的方法（iBHEDC），以提高建筑高度估算的精度和效率点击查看BHEDC论文解析。

本文提出了一种使用卷积神经网络(CNNs)和图像处理技术从街景图像自动估计建筑高度的算法(及其开源实现)。该算法还利用了可从不同来源获得的地理空间数据该算法最终将用于丰富加拿大统计局发布的开放建筑数据库(ODB)

这篇文章提出了一种利用街景图像和深度学习技术计算城市建筑高度的新方法。通过优化观察点位置的遗传算法和基于Mask R-CNN的深度学习模型该方法能够高效地检测建筑并精确计算其高度实验表明，平均高度误差为0.78米，证明了该方法的高精度和可行性。

这篇论文探讨了从单目遥感图像中估计高度这一新颖且具有挑战性的问题。作者提出了一种端到端训练的完全卷积-反卷积网络架构利用残差学习来模拟单目图像与高度图之间的模糊映射通过引入跳跃连接，保留高度图的边缘细节实验表明，该方法对单目视角下高度预测的有效性，并提供了实例分割应用的案例。

本文提出了一种全国尺度的精细3D建筑模型 (GABLE)，利用高分辨率卫星影像数据（北京三号）开发，涵盖全国所有城市和乡村地区。模型的创新点在于提供了12种屋顶分类，以及建筑的精确高度和空间多边形表示首次在全国范围内提供了建筑的语义精细分类。引入深度学习方法对屋顶分类和建筑高度进行统一优化。对城市建筑的高度分布、密度和多样性进行了分析。

本文提出了一种基于图像处理的洪水深度估计方法，使用淹水车辆的地面视角图像。车辆对象分割：利用Mask R-CNN对淹水图像中的车辆进行检测。跨领域图像检索：基于VGGNet的特征图，采用余弦距离筛选与淹水车辆最相似的3D渲染车辆图像。水深估算：通过对比淹水车辆与3D渲染图像，计算水深。研究验证了该方法在500张淹水图像上的有效性，误差约为轮胎高度的9.40%

本文研究了在城市地区使用传统方法如遥感和数字高程模型（DEMs）进行洪水深度估计时常出现的大误差问题提出了一种利用深度神经网络检测被淹没的停车标志的新方法;此外，还结合了Canny边缘检测和概率Hough变换计算杆长并估计洪水深度研究使用了一个名为的数据集，该数据集包含美国和加拿大10个FEMA地区的网页挖掘照片。