本发明属于建筑建模,尤其是涉及一种基于神经网络的屋顶重建方法、装置及电子设备。
背景技术:
1、随着我国城镇化进程的推进和经济建设的快速发展,建筑物三维建模对于社会公众和各行业应用具有越来越重要的意义。
2、现有的基于卫星影像得到的三维建筑存在以下问题:生成的建筑顶部结构过于简单,通常为矩形;对非平台类型的屋顶不能很好的拟合,为达到更好的效果,需要大量的人工操作。
技术实现思路
1、针对现有技术中存在的问题,本发明提供了一种基于神经网络的屋顶重建方法、装置及电子设备,至少部分的解决现有技术中存在的屋顶拟合效果差且需要大量人工介入的问题。
2、第一方面,本公开实施例提供了一种基于神经网络的屋顶重建方法,包括:
3、基于获取的屋顶数据构建屋顶数据集;
4、基于屋顶数据集训练神经网络;
5、将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中,预测得到每一段屋顶高度对应的占有栅格;
6、将得到的占有栅格重建得到建筑屋顶三维模型。
7、可选的,所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中,预测得到每一段屋顶高度对应的占有栅格,包括:
8、将三通道图像、udf和edge信息拼接成5通道张量,三通道图像即为顶视图、深度图和掩码图结合图像;
9、将该张量输入特征金字塔网络得到结果;
10、将所述结果输入全卷积网络得到图像特征
11、将所述图像特征进行上采样得到图像特征f。
12、可选的,所述特征金字塔网络使用resnet50作为骨干网络。
13、可选的,所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中,预测得到每一段屋顶高度对应的占有栅格,包括:
14、将待预测的平面深度zi与屋顶深度信息做差得到信息d;
15、将信息d进行位置编码操作得到编码结果;
16、将编码结果输入两层的全卷积网络,得到深度特征d。
17、可选的,所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中,预测得到每一段屋顶高度对应的占有栅格,包括:
18、将图像特征f和深度特征d拼接后进入三层的全卷积神经网络得到预测的该深度下屋顶的占有栅格。
19、可选的,所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中,预测得到每一段屋顶高度对应的占有栅格,包括:
20、设计神经网络的损失函数,所述损失函数包括交叉熵损失函数和dice损失函数。
21、可选的,所述交叉熵损失函数为:
22、
23、其中, 是所有预测的深度个数, 为深度下的占有栅格,sum(mask)是mask的占有栅格格子数,分别为计算参数,和表示并集。
24、可选的,所述dice损失函数为:
25、
26、其中, 是所有预测的深度个数, 为深度下的占有栅格,sum(mask)是mask的占有栅格格子数。
27、第二方面,本公开实施例还提供了一种基于神经网络的屋顶重建装置,包括:构建模块,用于基于获取的屋顶数据构建屋顶数据集;
28、训练模块,用于基于屋顶数据集训练神经网络;
29、预测模块,用于将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中,预测得到每一段屋顶高度对应的占有栅格;
30、重建模块,用于将得到的占有栅格重建得到建筑屋顶三维模型。
31、第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
32、至少一个处理器;以及,
33、与所述至少一个处理器通信连接的存储器;其中,
34、所述存储器存储有能被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面任一所述的基于神经网络的屋顶重建方法。
35、本发明提供的基于神经网络的屋顶重建方法、装置及电子设备。其中该基于神经网络的屋顶重建方法,通过基于已有的大量数据库和训练好的神经网络架构,将屋顶结构全自动的批量快速准确生成,并通过预测得到每一段屋顶高度对应的占有栅格,基于占有栅格重建得到建筑屋顶三维模型。从而达到拟合效果好且节约人工的目的。且生成的模型准确性高。
1.一种基于神经网络的屋顶重建方法,其特征在于,包括:
2.根据权利要求1所述的基于神经网络的屋顶重建方法,其特征在于,所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中,预测得到每一段屋顶高度对应的占有栅格,包括:
3.根据权利要求2所述的基于神经网络的屋顶重建方法,其特征在于,所述特征金字塔网络使用resnet50作为骨干网络。
4.根据权利要求2所述的基于神经网络的屋顶重建方法,其特征在于,所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中,预测得到每一段屋顶高度对应的占有栅格,包括:
5.根据权利要求4所述的基于神经网络的屋顶重建方法,其特征在于,所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中,预测得到每一段屋顶高度对应的占有栅格,包括:
6.根据权利要求4所述的基于神经网络的屋顶重建方法,其特征在于,所述将建筑顶视图、深度图和掩码图结合输入到训练的神经网络中,预测得到每一段屋顶高度对应的占有栅格,包括:
7.根据权利要求6所述的基于神经网络的屋顶重建方法,其特征在于,所述交叉熵损失函数为:
8.根据权利要求6所述的基于神经网络的屋顶重建方法,其特征在于,所述dice损失函数为:
9.一种基于神经网络的屋顶重建装置,其特征在于,包括:
10.一种电子设备,其特征在于,所述电子设备包括: