Détail de l'auteur
Auteur Andrea Lingua |
Documents disponibles écrits par cet auteur (2)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
Automatic training data generation in deep learning-aided semantic segmentation of heritage buildings / Arnadi Murtiyoso in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol V-2-2022 (2022 edition)
![]()
[article]
Titre : Automatic training data generation in deep learning-aided semantic segmentation of heritage buildings Type de document : Article/Communication Auteurs : Arnadi Murtiyoso, Auteur ; Francesca Matrone, Auteur ; M.C. Martini, Auteur ; Andrea Lingua, Auteur ; Pierre Grussenmeyer, Auteur ; Roberto Pierdicca, Auteur Année de publication : 2022 Article en page(s) : pp 317 - 324 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] monument historique
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsRésumé : (auteur) In the geomatics domain the use of deep learning, a subset of machine learning, is becoming more and more widespread. In this context, the 3D semantic segmentation of heritage point clouds presents an interesting and promising approach for modelling automation, in light of the heterogeneous nature of historical building styles and features. However, this heterogeneity also presents an obstacle in terms of generating the training data for use in deep learning, hitherto performed largely manually. The current generally low availability of labelled data also presents a motivation to aid the process of training data generation. In this paper, we propose the use of approaches based on geometric rules to automate to a certain degree this task. One object class will be discussed in this paper, namely the pillars class. Results show that the approach managed to extract pillars with satisfactory quality (98.5% of correctly detected pillars with the proposed algorithm). Tests were also performed to use the outputs in a deep learning segmentation setting, with a favourable outcome in terms of reducing the overall labelling time (−66.5%). Certain particularities were nevertheless observed, which also influence the result of the deep learning segmentation. Numéro de notice : A2022-430 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article DOI : 10.5194/isprs-annals-V-2-2022-317-2022 Date de publication en ligne : 17/05/2022 En ligne : https://doi.org/10.5194/isprs-annals-V-2-2022-317-2022 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100736
in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > vol V-2-2022 (2022 edition) . - pp 317 - 324[article]3d roof model generation and analysis supporting solar system positioning / Filiberto Chiabrando in Geomatica, vol 71 n° 3 (September 2017)
![]()
[article]
Titre : 3d roof model generation and analysis supporting solar system positioning Type de document : Article/Communication Auteurs : Filiberto Chiabrando, Auteur ; Chiara Danna, Auteur ; Andrea Lingua, Auteur ; Francesca Noardo, Auteur ; Anna Osello, Auteur Année de publication : 2017 Article en page(s) : pp 137 - 153 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] base de données localisées 3D
[Termes IGN] capteur solaire
[Termes IGN] Italie
[Termes IGN] modèle numérique de surface
[Termes IGN] structure-from-motion
[Termes IGN] système d'information géographique
[Termes IGN] toit
[Termes IGN] villeRésumé : (Auteur) En raison des besoins croissants d’énergie renouvelable dans les secteurs urbains, le recensement d’endroits convenables pour installer des systèmes solaires est de plus en plus important. Les cadastres énergétiques ont souvent un niveau de détail limité dans la géométrie analysée qui doit être rapidement mise à jour à la suite de tout changement apporté aux édifices. Les données tridimensionnelles requises peuvent être générées par les techniques de photogrammétrie et le logiciel Structure-from-Motion (SfM). Dans le présent article, la méthode a été vérifiée en utilisant les images d’une caméra de cartographie numérique (images virtuelles) lors d’une étude de cas dans le nord-ouest de l’Italie. Les résultats sont analysés pour évaluer la fiabilité du modèle numérique de surface (MNS) produit par les méthodes SfM et devant être utilisé dans les analyses du rayonnement solaire. Le problème dans ce genre de modélisation tridimensionnelle automatique peut être la très grande quantité de détails parfois requis dans la reconstruction de la géométrie des toits et le bruit possible. Les résultats sont gérés et analysés au moyen d’outils SIG (système d’information géographique). Pour l’ensemble du flux de production, on utilise des logiciels propriétaires et des logiciels libres et ouverts (LLO). Les problèmes et les limites font l’objet d’une étude afin d’évaluer et de confirmer la fiabilité et le rapport coût-efficacité des méthodes décrites. Numéro de notice : A2017-847 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.5623/cig2017-301 En ligne : https://doi.org/10.5623/cig2017-301 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89444
in Geomatica > vol 71 n° 3 (September 2017) . - pp 137 - 153[article]