StudiumOffene Abschlussarbeiten
Tranformation von Punktwolken mittels Generative Adversarial Networks

Tranformation von Punktwolken mittels Generative Adversarial Networks

E-Mail:  florian.politz@ikg.uni-hannover.de
Team:  Politz, Sester
Jahr:  2019

Einführung und Ziel der Arbeit

In den Landesvermessungsämtern liegen flächendeckende Airborne Laserscanning Datensätze (ALS) mit unterschiedlichen Punktdichten vor. Des Weiteren leiten sie auf Basis von digitalen Bildflügen mit hohen Überlappungen unter Einsatz von Dense Image Matching (DIM) Punktwolken ab, welche eine Auflösung im Pixelbereich besitzen. Durch die unterschiedliche Herkunft besitzen ALS wie auch DIM Punktwolken unterschiedliche Eigenschaften und Verhaltensweisen, die ein gemeinsames Prozessieren verkomplizieren.

Im Rahmen dieser Arbeit soll untersucht werden, ob eine DIM Punktwolke so transformiert werden kann, dass sie für die weiteren Schritte der Prozesskette die Eigenschaften einer ALS-Punktwolke nachahmt. Hierfür werden zunächst alle Punktwolken gerastert und durch Verteilungen in der Höhe in jeder Rasterzelle modelliert. Anschließend soll ein Generative Adversarial Network (GAN) wie z.B. das pix2pix Netzwerk mit diesen Rasterdaten trainiert werden. Das Netzwerk generiert transformierte Höhenverteilungen, die wiederum auf die Punktwolke zurückprojiziert werden können. Die so transformierten Punktwolken sollen schließlich an gewöhnlichen Prozessen wie der Registrierung, Änderungsdetektion oder der Klassifikation getestet werden. 

Aufgaben

1.    Einarbeitung in Generative Adversarial Networks (GANs), im Speziellen pix2pix

2.    Training und Evaluierung von pix2pix mittels ALS- und DIM-Punktwolken im Rasterformat

3.    Rückprojektion der transformierten Werte auf die DIM-Punktwolke

4.    Beispielhafte Anwendung der transformierten Punktwolke im Vergleich mit der originalen DIM-Punktwolke, z.B. bei der Registrierung, Änderungsdetektion oder Klassifikation

5.    Qualitativer und Quantitativer Vergleich der Ergebnisse

6.    Dokumentation und Präsentation der Ergebnisse

Hilfsmittel

►    Klassifizierte ALS und DIM Punktwolken, Python-Editor (z.B. Anaconda’s Spyder), CloudCompare

Voraussetzungen

►    Programmierkenntnisse in Python wünschenswert

►    Interesse an Maschinellem Lernen/ Deep Learning, GANs

Ansprechpartner

Florian Politz (florian.politz@ikg.uni-hannover.de, Tel. 0511 762-19436)

Prof. Dr.-Ing. habil. Monika Sester (monika.sester@ikg.uni-hannover.de, Tel. 0511 762-3588)

 

Institut für Kartographie und Geoinformatik, Appelstraße 9a, 30167 Hannover, Raum 616