CityGML is a data model used to represent the geometric and semantic information of urban 3D city objects. There are several ways to generate 3D models for applications such as gaming, media content for movies and TV, and 3D printing among others. Since visualization is the primary purpose of these methods of 3D model generation they lack the semantic information required for applications such as spatial data-mining, thematic queries, and geospatial simulation and analysis. Therefore, there is a need to develop methods for mapping sematic information of new and existing 3D geometric models and their conversation to CityGML formats so it can be stored for future use. The conversion of must allows mapping of classes of objects with a higher Level-Of-Detail (LOD) such as LOD3 and LOD4 which represent an urban city model in greater detail. A methodology of the conversion is developed and a prototype is implemented to validate the algorithms and the methods developed for this project. The methods can be broadly categorized into three parts a) Extraction of geometric information; b) Segmentation of the model into various groups for semantic mapping; c) Mapping of semantic information on the model. Topological aspects are considered for the mesh segmentation to allow users to easily select and map semantic information to the geometric model. The generated models can be used in a wide range of applications ranging from disaster management to urban simulations such as rooftop solar panel installations.


翻译:城市GML是一种数据模型,用于代表城市3D目标的几何和语义信息; 有一些方法可以生成3D模型,用于游戏、电影和电视的媒体内容、3D印刷等应用。 由于视觉化是3D模型生成方法的主要目的,它们缺乏空间数据挖掘、专题查询、地理空间模拟和分析等应用所需的语义信息。因此,有必要制定方法,对新的和现有的3D几何模型及其与城市GML格式的谈话进行地震信息测绘,以便将其储存起来,供今后使用。 转换必须允许对高水平OD3和LOD4等物体的类别进行绘图,这些物体是城市城市模型模型的更详细内容。 正在开发一种转换方法,并实施了一种原型,以验证为该项目开发的算法和方法。 方法可以大致分为三个部分a) 地理测量信息提取; b) 模型的分解为不同组,以便今后使用。 将模型绘制成各种模型,例如LODD3和LOD4,这些是城市模型的中间段,可以用来制作地震图。

0
下载
关闭预览

相关内容

《计算机信息》杂志发表高质量的论文,扩大了运筹学和计算的范围,寻求有关理论、方法、实验、系统和应用方面的原创研究论文、新颖的调查和教程论文,以及描述新的和有用的软件工具的论文。官网链接:https://pubsonline.informs.org/journal/ijoc
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
【干货书】真实机器学习,264页pdf,Real-World Machine Learning
谷歌机器学习速成课程中文版pdf
专知会员服务
145+阅读 · 2019年12月4日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
TorchSeg:基于pytorch的语义分割算法开源了
极市平台
20+阅读 · 2019年1月28日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】MXNet深度情感分析实战
机器学习研究会
16+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
已删除
将门创投
9+阅读 · 2017年7月28日
Arxiv
0+阅读 · 2021年11月19日
VIP会员
相关资讯
TorchSeg:基于pytorch的语义分割算法开源了
极市平台
20+阅读 · 2019年1月28日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】MXNet深度情感分析实战
机器学习研究会
16+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
已删除
将门创投
9+阅读 · 2017年7月28日
Top
微信扫码咨询专知VIP会员